参考

基于 Recommender Systems 经典文献与工业实践（2026 年）编写

范式总览

范式	核心思想	代表方法	适用
协同过滤 CF	「和你相似的人也喜欢」	User-based / Item-based k-NN	有行为数据，中小规模
矩阵分解 MF	稀疏矩阵分解为低秩隐因子	ALS / SVD / SVD++ / BPR	评分预测，Netflix Prize
内容推荐	物品特征相似	TF-IDF / Embedding 相似	冷启动、新物品
知识推荐	显式领域知识/规则	本体、约束推理	结构化领域
混合推荐	多范式组合	加权 / 级联 / 元层级	工业主流
深度学习	神经网络学复杂交互	NCF / Wide&Deep / DeepFM / DIN	大规模精排
Two-Tower / DSSM	双塔 Embedding 召回	YouTube DNN / DSSM	工业召回标配
图神经网络	用户-物品二部图传播	LightGCN / GraphSAGE / PinSage	关系丰富场景
序列建模	用户行为序列	GRU4Rec / SASRec / BERT4Rec	短视频/电商序列
强化学习	长期收益 EE	Contextual Bandit / DQN	冷启动探索、长期留存
生成式推荐	生成式检索/LLM	P5 / TIGER / LLM-Ranker	前沿方向

矩阵分解方法

方法	特点
SVD	奇异值分解，需补全缺失值
ALS	交替最小二乘，可并行，工业常用
SGD	随机梯度下降，精度高
SVD++	Koren，融合隐式反馈
BPR	Bayesian Personalized Ranking，优化 pairwise 排序
TimeSVD++	加入时间因子

目标函数（带正则的 MSE）：

$$\underset{U,V}{min}\sum _{(u,i)\in R}(r_{ui}-{\mathbf{u}}_u\cdot {\mathbf{v}}_i{)}^2+\lambda (\parallel {\mathbf{u}}_u{\parallel }^2+\parallel {\mathbf{v}}_i{\parallel }^2)$$

深度学习模型谱系

模型	年份	贡献
NCF	2017	MLP 替代内积
Wide & Deep	2016（Google）	记忆 + 泛化
Deep & Cross	2017	显式高阶交叉
DeepFM	2017（华为）	FM + DNN 免手工交叉
xDeepFM	2018	压缩交互网络
DIN	2017（阿里）	目标注意力
DIEN	2018（阿里）	兴趣演化 GRU
DSIN	2019	会话兴趣
MMoE	2018（Google）	多任务门控专家
PLE	2020（腾讯）	分层多任务
CAN / FiBiNet	-	特征组合新结构

Two-Tower / 召回

模型	特点
DSSM	微软，query-doc 双塔（搜索起家，迁移到推荐）
YouTube DNN	Google 2016，召回经典
Mind	多兴趣召回（一个用户多个兴趣向量）
EBR（Facebook）	社交召回
PinSage	Pinterest，图+随机游走

训练 loss：

• InfoNCE / Contrastive：正样本拉近，batch 内负样本推远
• Sampled Softmax：近似 softmax 多分类
• Triplet Loss：anchor-pos vs anchor-neg

评估指标公式

排序质量

设推荐列表 $L=[i_1,i_2,...,i_K]$ ，相关集合 $G$ ，位置 $i$ 相关性 $re{l}_i$ 。

Precision@K：

$$P@K=\frac{|\{i\in L:i\in G\}|}{K}$$

Recall@K：

$$R@K=\frac{|\{i\in L:i\in G\}|}{|G|}$$

Hit Rate@K：

$$HR@K=\mathbb{1}[|L\cap G|>0]$$

MRR（Mean Reciprocal Rank）：第一个相关项位置 $p$ 的倒数均值

$$MRR=\frac{1}{|Q|}\sum _q\frac{1}{p_q}$$

MAP（Mean Average Precision）：

$$AP@K=\frac{1}{|G_q|}\sum _{k=1}^{K}P@k\cdot re{l}_k,MAP=\frac{1}{|Q|}\sum _{q}A{P}_q$$

NDCG@K：

$$DCG@K=\sum _{i=1}^K\frac{re{l}_i}{{\log }_2(i+1)},IDCG@K=DCG@\text{K (理想排序)},NDCG@K=\frac{DCG@K}{IDCG@K}$$

AUC：ROC 曲线下面积，衡量正样本分高于负样本的概率（二分类排序能力）。

超越准确度

指标	含义
Coverage	被推荐物品占总物料库比例（覆盖率）
Diversity	推荐列表内部物品差异度（如平均两两距离）
Novelty	推荐物品的「冷门度」（信息熵）
Serendipity	惊喜度（既相关又出乎意料）
Fairness	长尾物品/不同用户群体的公平曝光

召回-排序架构阶段

阶段	输入	输出	模型	优化目标
召回 Retrieval	亿级物料	几百候选	Two-Tower / CF / 图	Recall@K
粗排 Pre-ranking	几百	几十	双塔/简单 DNN	与精排对齐
精排 Ranking	几十	打分	DeepFM/DIN/GBDT	NDCG/AUC/CTR
重排 Re-ranking	打分列表	Top-K	MMR/DPP/规则	Diversity+业务

ANN 向量检索库

库	算法	特点
Faiss（Meta）	IVF / HNSW / PQ	GPU，工业标配
HNSWLIB	HNSW 图	单机快
ScaNN（Google）	各向异性量化	高精度
Annoy（Spotify）	树	静态、内存友好
Milvus	多算法	分布式向量数据库
Vespa	综合	含排序服务
Elasticsearch kNN	HNSW	与倒排融合
pgvector	HNSW/IVF	PostgreSQL 扩展

工业框架

框架	出处	用途
NVIDIA Merlin	NVIDIA	端到端召回-排序，GPU 加速
Microsoft Recommenders	微软	算法集（CF/MF/DL）
DeepCTR / DeepMatch	开源	TensorFlow 排序/召回模型库
TensorFlow Recommenders（TFRS）	Google	TF 推荐库
PyTorch BigGraph	Meta	大规模图 Embedding
Vespa	Yahoo	在线检索+排序引擎

冷启动策略

场景	策略
新用户	兴趣引导 / 人口特征 / 热门兜底 / 跨域迁移
新物品	内容 Embedding / 多臂老虎机探索 / 流量扶持
新冷门	EE 探索（ε-greedy / LinUCB / Thompson Sampling）
通用	元学习 / Bootstrap / 对比学习预训练

论文索引

论文	年份	贡献
Koren《Matrix Factorization Techniques for Recsys》	2009	MF/SVD++ 经典综述
Sarwar《Item-based CF》	2001	Item-CF 奠基
Google《Wide & Deep Learning for Recsys》	2016	记忆+泛化
Google《Deep Neural Networks for YouTube Recommendations》	2016	DNN 召回
华为《DeepFM》	2017	FM+DNN
阿里《Deep Interest Network》	2017	目标注意力
阿里《Behavior Sequence Transformer》	2019	序列 Transformer
Google《Recommending What Video to Watch Next》	2019	MMoE 多任务
P5《Recommendation as Language Generation》	2023	LLM 统一推荐
TIGER《Recommender Systems with Generative Retrieval》	2023（NeurIPS）	生成式检索 Semantic ID
ContextGNN	2024	图模型超越 Two-Tower

资源链接

• Recommender Systems（Wikipedia）：en.wikipedia.org/wiki/Recommender_system
• IR 评估指标：en.wikipedia.org/wiki/Evaluation_measures_(information_retrieval)
• Two-Tower 解析：shaped.ai/blog/the-two-tower-model-for-recommendation-systems-a-deep-dive
• NVIDIA Merlin：nvidia-merlin.github.io
• Microsoft Recommenders：github.com/microsoft/recommenders
• Faiss：github.com/facebookresearch/faiss
• Awesome-LLM-for-RecSys：github.com/CHIANGEL/Awesome-LLM-for-RecSys
• TIGER（NeurIPS 2023）：neurips.cc/virtual/2023/poster/72488