推01，你們是不是都感覺自己少了個推薦系統？

文·HCY崇遠

01 緣起

昨天的《小烏龜》不算，突然發現公眾號斷斷續續停更了也蠻長時間了，估計有大半個月了，一方面是懶，另一方面是前段四件著實累的跟Dog一樣，現在剛緩和了一點點。

雖然沒有更新，但是訂閱的朋友依然陸陸續續的過來，甚是慚愧，這裡就立一個flag吧，到年底前至少要更新30篇吧。

前段時間給朋友整理一個關於推薦系統相關的知識教學體系，剛好自身業務中，預計明年初隨著業務規模增長，估摸著又要啟動推薦相關的項目了，所以也是趁機把相關的知識結構梳理了一遍。

這邊尋思著，或許可以把這些知識結構車重新梳理一遍，以其他普通人更容易理解的方式分享出來，或許能讓更多的人看到，也是一個好事吧。

既然是重出「江湖」，先定他一個小目標，就先寫個《推薦系列》，盡量能讓不懂技術的朋友能看得懂看得爽（白話邏輯、原理、業務場景），也希望能讓搞技術的朋友看到的懂（給案例給代碼），這是第一篇。

02 先聊人工智慧

說推薦系統之前先掰掰人工智慧，這個詞估計大家能能聽得懂，畢竟是風口上的名詞，想沒聽過也難。那麼問題來了，你覺得推薦系統與人工智慧有什麼關係？

或許大半的人會認為沒有半毛錢的關係，這讓我想到了前幾天周末在知乎上懟的一個問題，問題的核心就是：「現在大數據都很low了，大家都是去搞人智能了」。

這典型就是對於人工智慧定義認知的問題，個人認為人工智慧就是一個偏業務的定義，多維度多學科交叉的概念，壓根兒就不好以技術維度去對比去評判。其核心的三要素就是：演算法、計算能力以及數據。

圍繞大量的基礎數據，對基礎數據進行特徵處理，然後構建有用的業務演算法模型，然後基於分散式的基礎架構計算能力，將演算法模型的用於實際的生產環境，以機器替代人工的作業，以提升效果與效率，達到機器智能化的目標。

那再回到推薦系統的話題，在過去傳統的門戶網站或者其他領域，也是有推薦場景的，不過大部分都是基於編輯或者運營手動進行配置推送，隨著對數據、對演算法模型的進一步應用，才逐漸有演算法機器替代人工進行推薦，並且達到諸如「千人千面」、「個性化」推薦的效果。

所以，追究其本質，其實也是演算法模型+計算過程+基礎數據的流程，並且最終達到了機器自動化、智能化的效果，從廣義的角度來說，或許複雜一些的推薦系統或許也能納入人工智慧的範疇了（真心怕那種一說到人工智慧=神經網路的選手）。

03 推薦與檢索的兩種模式

說到推薦系統，就不得不說一下搜索引擎。不管是搜索也好、推薦也好，他們都是信息獲取的一種機制，核心區別在於主動與被動。

搜索引擎是典型的主動觸發的形態，即用戶已經有明確的信息獲取意圖，渴望得到自身既定的目標信息，讓後通過搜索規則進行最終信息的獲取。

比如，你好奇什麼是人工智慧，那麼你就會用諸如谷歌、或者國產大百度去搜索，然後獲取到相關網頁，去點擊查看，最終完成你了解人工智慧這個信息獲取的目的。這就是檢索的機制，你先要告訴系統你的意圖，然後在給你篩選你要的信息。

而推薦系統則大大的不同，它是一種系統主動的行為，對於用戶來說是一個被動的行為，被動的接受系統推送過來的信息。那這樣強扭是不是很尷尬呢？怎麼有這麼SHA叉的機制？

其實不是的，尷尬的是推的不對，東西推對了就尷尬了，比如你正在瀏覽一個信息，正在愁這個信息還沒解決你的問題的時候，系統啪丟給你幾個新增的信息，說這個幾個信息可能能解決的問題，你一看我湊，這正是我要的，感謝萬能的推薦系統！

所以，推薦核心解決的還是用戶額外信息獲取的問題，以及提升用戶的進一步轉化，停留時間的延長（只要停留時間延長，商業轉化機會就會加大，也是粘性提升的體現），而問題的核心就是要推的准，推的恰到好處，不然就是反作用。

因為推薦要解決的就是海量信息冗餘，用戶在目的不算很明確的情況，進一步幫助其確定目標，主動篩選信息的過程，推的不好那對於用戶來說就更冗餘了。

關於信息的獲取，其實還有一種常見的形態，那就是結構化導航，比如電商平台的分門別類羅列，門戶網站的結構化頻道信息。它是通過把信息進行結構化了，構建脈絡結構，幫助你去獲取你要的信息。不過，這個就不在我們的討論範圍內了。

04 推薦系統場景

說了這麼多篇邏輯理論的東西，或許很多朋友依然對推薦系統沒有一個很場景化的認知，比如具體什麼場景？具體什麼形態？

這是我在騰訊視頻上截的圖，這就是典型的視頻推薦場景，我不是鵝廠騰訊視頻業務的演算法工程師，所以我無法回答你他們的推薦機制，但我可以告訴你，當時我的觀看主體是「地球脈動」，結合推薦列表，大伙兒可以揣摩一下他的推薦機制。當前觀看的屬性相關？導演關聯性？我的觀看記錄偏好？從我個人的評估來看，這些因素應該都有。

順帶說一下的就是，一個完整的好的推薦系統，一定不會單純的依賴於某個推薦演算法，雖然這個系列的後面文章中，我會講一些推薦機制或者演算法邏輯，甚至附上簡單的案例代碼，但還是要提前說一下這個問題。

我們再來看幾個同樣是騰訊系的產品推薦場景：

QQ音樂平台的推薦，分析來看應該跟我當前主頁音樂的風格、以及我的歷史瀏覽相關。

這是閱文網站的小說小說推薦，即當你瀏覽一本小說時，下面會給這個推薦列表，從其描述以及個人分析來看，好像與個人的行為相關性會小一些，應該是基於大盤用戶的瀏覽軌跡做的關聯分析，進而進行關聯推薦。

最後是電商平台的典型案例，即你在瀏覽商品時，一般都有猜你喜歡模塊，並且推薦系統得以大放光彩，成為應用領域裡典型的應用場景，還是得益於亞馬遜。當年亞馬遜使用推薦演算法幫助其提升了XX（具體多少忘了）的年度利潤，從此一炮而紅，基本上電商平台中的推薦系統就成了標配。

05 你也少缺少個推薦系統？

看了這麼多例子，再結合自己身邊實際的體驗，確實不難發現，各色各樣的產品、平台，都在打造自己的推薦產品，恨不得用戶一直點下去，永不跳出。

鑒於這種情況，那些尚未為自己產品或者平台開發推薦邏輯的，是不是感覺自己少了個推薦系統，哈哈。

其實核心還是那句話，推薦本身就是個雙刃劍，用的不好只會讓用戶徒增煩惱，這裡所說的好不好，不單純是說準不準的問題，準是前提，即推薦給用戶切身所需肯定是好的，但這還不夠，你還需要在他需要的時候給他推，時機不對、場景不對，即使你推的東西再准，那也是瞎比推

所以，即使你覺得你少了個推薦系統，也是需要慎重，或許跟完這個系列會好點？

06 一些坑

正如上面說的，一些坑還是需要注意的。上面所說的推薦時機以及場景就不再重複了。

第一，好的推薦系統一般情況下很依賴於用戶的行為數據，因為從用戶行為中自然能一窺用戶的一些偏好所在，但實際情況是，用戶的行為數據並不是這麼容易的，當用戶行為數據不夠的時候，基於用戶行為的分析結論就是個偽命題，甚至會把你帶向錯誤的方向。

第二，用戶的偏好一定是會時間偏移進行轉變的，所以用戶行為的有效性又會是一個問題。

第三，假設這個是新用戶呢？完全沒有軌跡信息，怎麼破。

第四，實際影響用戶的選擇的因素太多，我們容易陷入主觀臆斷的誤區，綜合性考慮是一個完善推薦系統的必須思考的地方。

第五，產品層面的邏輯有時候比底層演算法更有效，典型如上面閱文的截圖例子，「喜歡這本書的人也喜歡」，這就是一種策略，也是一種推薦解釋，可解釋性會提升推薦的可信度，諸如還有一些交互方式、產品形態都是對推薦轉化有影響的。

07 最後

本文大部分還是想以更直觀可理解的方式，表達什麼是推薦系統。在該系列下一篇文章里，會解決推薦系統中的一些基本常識，一些基本的邏輯，以及上面少量的問題解決，比如進入系統的是一個新用戶怎麼辦？

再往後面，會有更技術性的一些文章，甚至是Spark案例，所以偏好技術的童鞋也別放棄治療，不管是業務童鞋還是技術童鞋，我都會盡量以更容易理解的方式去闡述。

《推薦系統系列》，這只是第一篇，難得有決心寫一個還帶碼的系列，給點安慰，請期待下一章節的內容，喜歡就收藏，也歡迎分享，讓更多的同業朋友看到。

關於我：

大數據行業半個老鳥，我家梓塵兄的超級小弟，會敲代碼、會寫文章，還會泡奶粉哄小屁孩。

想和我交流的，可以加我個人微信mute88，請註明身份and來意~

就醬，打完收工，對了，別忘了分享。