推荐系统与AI

推荐系统的目标是从大量内容或商品中，选出用户最可能需要、喜欢或应该看到的部分。短视频、新闻、电商、音乐、外卖和学习平台都大量使用推荐系统。

推荐不是简单“猜你喜欢”

很多人以为推荐系统只是找相似内容，其实真实推荐要平衡多个目标：相关性、多样性、新鲜度、商业目标、安全合规和用户长期体验。

如果只追求点击率，系统可能不断推夸张标题和低质量内容。好的推荐系统要避免让用户陷入信息茧房。

推荐系统的三阶段

1. 召回：从海量内容中快速找出几百或几千个候选。
2. 排序：用模型预测用户对候选内容的兴趣，给出分数。
3. 重排：加入多样性、去重、规则和安全限制，形成最终列表。

召回负责“找得到”，排序负责“排得准”，重排负责“体验好”。

推荐系统用哪些数据

• 用户行为：点击、收藏、购买、停留时长、跳出；
• 内容特征：标题、标签、类目、价格、作者；
• 上下文：时间、地点、设备、网络；
• 负反馈：不感兴趣、拉黑、退款、投诉。

负反馈非常重要。只看用户点了什么，不看用户讨厌什么，推荐会越来越偏。

协同过滤直觉

协同过滤的想法是：如果 A 和 B 喜欢过很多相同内容，那么 A 喜欢的新内容也可能推荐给 B。

这种方法简单有效，但对新用户和新内容不友好，因为没有足够历史行为，这叫冷启动问题。

内容推荐直觉

内容推荐会分析物品本身，例如文章主题、商品类目、视频标签。如果用户喜欢 Python 教程，系统可以推荐更多编程课程。

内容推荐能缓解冷启动，但容易越推越窄，需要多样性机制。

评估推荐好不好

常见指标包括点击率、转化率、留存、播放完成率、复购率等。但指标要和业务目标一致。学习平台不应只看点击，还要看是否真正完成学习。

推荐系统还要监控低质内容、重复内容、偏见和安全风险。

小结

推荐系统是 AI 在产品中最常见的应用之一。它不只是预测用户喜欢什么，更是在相关性、商业目标和长期体验之间做平衡。