推荐系统
预测用户对物品偏好的系统——在海量物品中为每个用户筛选出「最可能感兴趣」的少数几个，是电商、内容、广告、社交平台的核心增长引擎。本质是用户-物品匹配：给定用户 u 和候选物品 i，估计偏好分
推荐系统按范式演进：协同过滤 CF（基于「和你相似的人也喜欢」）、矩阵分解 MF（把稀疏评分矩阵分解为低维隐因子，Netflix Prize 的 ALS/SVD）、内容推荐（基于物品元数据特征相似）、深度学习（Neural CF、Wide & Deep、DeepFM）、Two-Tower/DSSM（用户塔+物品塔输出 Embedding，工业召回标配）、向量检索召回（ANN 近似最近邻）、强化学习（长期收益/探索利用）、生成式推荐（P5、TIGER 用 LLM/生成式检索直接生成 item ID）。
工业级系统普遍采用召回-排序两阶段（甚至多阶段）架构：召回阶段从百万/亿级物料库快速筛出几百候选（重召回率、低延迟，常用 Embedding + ANN），排序阶段用精细模型对候选精排（重精度，用 GBDT/DNN/多目标），再加重排（去重、多样性、业务规则）。核心难题是冷启动（新用户/新物品无行为数据），常用多臂老虎机探索、内容特征、跨域迁移缓解。
评估指标分两类：排序质量（Precision@K / Recall@K / NDCG / MAP / Hit Rate@K / AUC），其中 NDCG 因考虑位置折扣被最广泛使用；超越准确度（覆盖率 Coverage、多样性 Diversity、新颖性 Novelty、惊喜度 Serendipity）。注意区分：推荐是「猜你喜欢」（用户-物品匹配，无显式 query），与 RAG「问答检索」（显式 query-文档匹配）目标不同。
评价
优点
- 规模化筛选：从亿级物料库为每用户筛出个性化 Top-K，解决信息过载
- 长尾激活：让冷门物品获得曝光，提升平台 GMV/停留时长
- 自动个性化：无需用户显式填写兴趣，从行为隐式学习偏好
- 多目标协同：可同时优化点击、转化、留存、多样性
- 数据飞轮：推荐越好→用户行为越多→模型越准，正向循环
- 范式丰富：从经典 CF 到生成式推荐，适配不同数据规模与场景
缺点
- 冷启动困难：新用户/新物品缺行为数据，初期推荐质量差
- 数据稀疏：用户-物品交互矩阵通常极度稀疏（<1%），建模困难
- 信息茧房：过度优化相关性导致同质化，用户视野收窄
- 评估复杂：离线指标（NDCG）与在线业务指标（GMV/留存）常不一致
- 资源消耗大：工业级 Embedding 召回需大规模 ANN 索引与实时特征服务
- 可解释性弱：深度模型/Embedding 召回结果难以给出「为什么推荐」
- 反馈循环偏差：模型决定曝光→影响后续行为→强化既有偏差（马太效应）
文档地址
- Recommender Systems 综述（Wikipedia）：en.wikipedia.org/wiki/Recommender_system
- Netflix Prize（矩阵分解经典）：netflixprize.com
- Two-Tower 召回（Shaped.ai 解析）：shaped.ai/blog/the-two-tower-model-for-recommendation-systems-a-deep-dive
- TIGER 生成式检索（NeurIPS 2023）：neurips.cc/virtual/2023/poster/72488
- NVIDIA Merlin（工业框架）：nvidia-merlin.github.io
- 评估指标综述（IR measures）：en.wikipedia.org/wiki/Evaluation_measures_(information_retrieval)
GitHub地址
- NVIDIA Merlin：github.com/NVIDIA-Merlin/Merlin
- Microsoft Recommenders：github.com/microsoft/recommenders
- Amazon Meta 的 DeepCTR：github.com/shenweichen/DeepCTR
- Facebook faiss（ANN 向量检索）：github.com/facebookresearch/faiss
- Awesome-LLM-for-RecSys：github.com/CHIANGEL/Awesome-LLM-for-RecSys