推荐系统20个核心技术

CYY1921

关注

原创 2026-07-04 10:52:37 2.5k 阅读 AI 写同款· GEO 优化 ›

1.协同过滤推荐2.基于内容推荐3.混合推荐4.矩阵分解算法5.因子分解机（FM）6.深度学习推荐7.神经网络推荐8.用户画像构建9.物品特征工程10.冷启动技术11.召回算法12.排序算法13.个性化推荐14.上下文感知推荐15.序列推荐技术16.强化学习推荐17.注意力机制推荐18.embedding嵌入技术19.推荐评估技术20.实时推荐技术

第一、地基——数据怎么“喂”给机器？（#8, #9, #18）

#8 用户画像构建：不是画个星座图，而是把用户变成“标签集合”。比如：{男，25岁，程序员，喜欢黑色}。第一性原理：统计学。把用户的历史行为统计成固定标签。
#9 物品特征工程：把商品变成标签集合。比如：{手机，黑色，6000元，参数高}。第一性原理：属性拆解。把非结构化的文本/图片，变成结构化的数字。
#18 Embedding嵌入技术（重点）：这是现代推荐的“万金油”。标签太硬了（“苹果”是水果还是手机？）。Embedding是把万物变成一串小数（向量）。比如“男人”=[0.1, 0.9]，“女人”=[0.9, 0.1]。第一性原理：降维与语义映射——让机器在高维空间里算出“距离”（相似度）。

第二、经典匹配——怎么找到“像”的东西？（#1, #2, #4, #5）

最朴素的匹配逻辑：

#1 协同过滤（Collaborative Filtering）：“物以类聚，人以群分”。第一性原理：集体智慧。不看你是什么人，只看你和谁行为一致。你买了A，和你一样的人也买了B，那就推B给你。工作中：这是“保底”算法，简单有效。
#2 基于内容推荐：“看人下菜碟”。只根据用户画像和物品画像的标签匹配（比如用户喜欢“科幻”，物品是“科幻”就推）。第一性原理：属性同构。
#4 矩阵分解（MF）：协同过滤的进阶。用户和商品太多，矩阵太稀疏。第一性原理：矩阵降维。把“用户-物品”大矩阵，拆成“用户-隐因子”和“物品-隐因子”两个小矩阵。这里的“隐因子”机器自己学，人类看不懂。
#5 因子分解机（FM）：矩阵分解的“大聪明”版。第一性原理：特征交叉。它不仅看用户和物品，还能自动把“性别男”+“双十一期间”这两个特征组合起来看权重。工作中：处理稀疏特征（比如One-hot编码）的神器。

第三、工业界流水线——怎么从大海里捞针？（#11, #12, #3）

工业界数据太大，必须分两步走，这是工作里的核心架构。

#11 召回算法：第一性原理：粗筛（穷举变Top-N）。从1000万个物品里快速捞出500个候选。不在乎精度，在乎速度和覆盖面。协同过滤、Embedding（双塔模型）通常干这个活。
#12 排序算法：第一性原理：精排（优中选优）。把召回的500个，用复杂的模型（如深度学习）算出精准的点击率（CTR），按分数从高到低排。工作中：召回负责“量”，排序负责“质”。
#3 混合推荐：第一性原理：加权集成。既然没有一种算法是万能的，那就把#1、#2、#11的结果按权重（比如0.4+0.6）合并。工作中：这是策略产品经理最常干的，调权重解决业务冷启动或多样性问题。

第四、大脑升级——怎么理解“先后”和“注意力”？（#6, #7, #15, #17）

解决“协同过滤”解决不了的序列和关联问题。

#6 & #7 深度学习/神经网络推荐：第一性原理：非线性拟合。传统算法只能画直线，深度学习能画任何曲线。它能学到“买了尿布的人很可能买啤酒”这种诡异关联。工作中：这是大厂的核心，效果最好但解释性差。
#15 序列推荐技术：第一性原理：时序依赖（马尔可夫链）。购物车是有顺序的！先买手机，再买手机壳；不会先买手机壳再买手机。它关注“下一个”是什么。
#17 注意力机制推荐：第一性原理：权重聚焦（人脑的视觉焦点）。用户过去有10个行为，哪个行为对“当下”最重要？注意力机制会动态给这10个行为打分，最近买的或最贵的商品权重最高。工作中：做“猜你喜欢”必用。

第五、现实难题——没有数据怎么办？环境变了怎么办？（#10, #14, #16, #20）

这是从“实验室”走向“业务线”的关键。

#10 冷启动技术：第一性原理：利用先验信息（人口统计学/热门）。新用户没行为，就问他年龄性别（#8），或者推全网热门（#2）。工作中：做新客策略必考。
#14 上下文感知推荐：第一性原理：环境变量影响决策。早中晚、下雨天、WiFi环境，推荐完全不同。工作中：加入“时间衰减”和“LBS地理位置”特征。
#16 强化学习推荐：第一性原理：延迟奖励与试错（Bandit算法）。它不仅仅是预测你点不点，而是探索你的未知兴趣。哪怕你有90%概率不爱看鬼片，它有10%的概率推给你试一次。工作中：解决“信息茧房”和“探索利用困境”。
#20 实时推荐技术：第一性原理：即时反馈驱动。你在看球鞋详情页，首页立刻出现球鞋。基于Flink/Storm流计算。工作中：做活动大促时必配。

第六、怎么验证我干得好不好？（#13, #19）

#19 推荐评估技术：第一性原理：离线指标 + 在线指标。离线看Recall（召回率）和AUC（排序能力）；在线看CTR（点击率）和GMV（成交额）。工作中：AB测试是金标准，离线的分再高，上线不行就是不行。
#13 个性化推荐：这不是一个单独算法，而是最终目的。第一性原理：去平均化。全员推荐“热门”是0级个性化；基于#8和#1给千人千面是终极目标。工作中：衡量个性化的指标叫“多样性”和“覆盖率”。

（给小白的工作锦囊）

要记住落地三句话：

业务上：遇到问题，先问“我有用户行为数据吗？” 有 -> 用协同过滤/深度学习；没有 -> 用内容推荐/冷启动。
架构上：任何推荐系统，死记硬背 “召回 -> 排序 -> 重排” 三板斧。
优化上：如果老板让你提升效果，第一优先级永远是“特征工程”（#9）和“实时性”（#20），换算法带来的收益远没有加特征来得快和稳。

最后用一个“找对象”的比喻收尾：
推荐系统就是月老。
协同过滤（#1）是“闺蜜介绍”（朋友的朋友）；
内容推荐（#2）是“按征婚简历筛选”；
矩阵分解（#4）是“看气质（隐因子）”；
冷启动（#10）是“刚注册没资料，先按大众喜欢的推”；
强化学习（#16）是“偶尔给你介绍个不靠谱的，看看你反应，拓宽你眼界”。

姑苏城外寒山寺，夜半钟声到客船。——张继《枫桥夜泊》

收录于