推荐系统（业务侧）小结

本文仅做个人阶段性总结，若阐述有误，敬请指正。

推荐系统虽然已经流行很久了，但看上去目前还是一个主流的业务方向，也是很多主流互联网产品的主力消费场景，推荐系统的存在意义和作用也都是老生常谈，比如说解决信息过载问题，帮助用户更便捷更有效的发现个人感兴趣的信息。

那以下分别从一个业务人员、一个技术人员、一个普通用户的角度来聊聊推荐系统/场景，本文分为三部分来阐述：

一、业务人员如果看待推荐场景？如果更好地使用推荐来反哺业务？

二、推荐系统的基本框架是什么？技术人员在构建推荐系统的过程中，常用的推荐算法有哪些？需要面临的业务/数据问题有什么？

三、普通用户对常见推荐产品的一些感慨

一、业务视角

在内容领域中，把推荐用作主要的内容消费场景可以算得上是比较高效、比较有利于业务发挥的一种内容分发/内容曝光方式了，当然前提是推荐场景已经被用户认可，获得了比较好的用户留存，其实也可以说是产品整体已经取得比较好的推荐效果（比如说留存和CTR均达到业务满意程度）。

从一个业务人员的角度来看，推荐其实是内容产品中内容流转的最后一环，当然也是极其关键的一环，也就是内容分发。在用户接触到内容之前，内容需要经过生产/引入、审核、价值评估、识别标记，然后会进入内容分发环节，以推荐为例，内容经过策略召回、粗排、精排等步骤，最终才会被选择分发给合适的用户，然后经由合理恰当的UI设计呈现到用户面前。

在上述一系列内容流转的过程中，业务人员（通常也会是产品及运营）在每个环节或多或少均需制定恰当的规则或策略，及时发现并提供解决对策，来保证内容平台的基本调性；亦或人为干预推荐算法输出的列表结果，以平衡业务需要（内容平台中通常也是内容曝光需要），在这个环节中，人工干预的部分其实借助于推荐系统的去中心化，来达到内容分发的目的。

在技术平台就不过多论述其中的运营策略了，只总结为一点：内容平台的运营者，核心工作其实是尽力维护好平台的内容生态，保证其良好运转及可持续发展，使用合适的奖惩机制来维持从内容生产到内容消费的合理秩序，促进生产与消费者的自生长及平台内体验，维护好内容创作的源泉（其实源泉归根结底都是人），极尽可能地防止劣币驱逐良币；而合理使用天然具备去中心化机制的推荐系统，为内容平台的良性运转提供了更多可能。

二、技术视角

推荐系统的基本框架

典型的web推荐框架大致分为四层：离线层、存储层、近线层和在线层，其中对应四部分组件，分别是推荐服务、存储系统、离线学习和在线学习。其中，离线学习是利用用户数据进行大量学习，数据量大且耗时长，在线学习利用用户的实时在线行为数据，不断更新模型参数并对模型进行调整。

推荐引擎的工作流程通常也是从大的内容池中通过协同过滤模型或其他的相关性模型进行结果召回，然后经过排序模型对结果集进行排序。

有很多关于推荐系统更详实的介绍，比如一文入门推荐系统——推荐系统实践读书笔记_白水baishui的博客-CSDN博客

推荐系统的典型算法举例

提到召回策略，比较典型的有基于行为相似的召回、基于物品/内容相似的召回，实际应用中也有些比较通用的热门策略召回。其中，协同过滤算法最基础也最常用，一般分为基于用户和基于物品，在内容平台中后者基本上也可以分为再细分为基于内容消费行为的协同过滤（post_CF）、基于用户搜索行为的协同过滤（Query_CF）等等。它们在计算相似度的步骤上是一样的，区别在于前者计算了列向量，后者计算了行向量。一些基本的相似度计算方法前文中其实也有提到常用文本相似度计算方法_涵星同学的博客-CSDN博客，不再赘述。。

排序阶段的话，普遍认为的模型迭代从早期的LR，到引入自动二阶交叉特征的FM和FMM，再到非线性树模型GBDT和GBDT+LR，然后到深度学习模型以及基于知识图谱的模型。

在实际的技术实现过程中，技术人员不单单需要专注在模型训练及服务优化维护上，也需要贴合业务场景，合理设计并获取用户及内容特征，同时基于业务目标自定义策略规则，进而实现更贴合业务场景的推荐系统。

三、普通用户推荐体验

目前大部分平台在做推荐流时因为用户行为数据获取受限，所以即便兴趣预测十分完备和健全，也免不了让用户深陷信息茧房；而内容的惊喜度和新颖性对用户推荐消费体验同样起到至关重要的作用，如何考量能带给用户新奇感受的优质内容也需要更专业更全面的内容价值衡量体系作为铺垫。

在这个非主动获取信息的消费场景中，推荐系统要做的不仅仅是穷尽技术手段做到高健壮性、高预测准确度、合理的时效性，同样也需要通过更多的业务手段发掘用户的潜在兴趣，最期待的效果也是希望以推荐系统为主的分发场景与用户个人的消费体验相辅相成，在取得让业务满意的停留时长时也能让用户取得更高的消费获得感和满意度，不作茧，不束缚。