AI 术语表 · 入门 · 经典机器学习、推荐与搜索
推荐系统
推荐系统是根据用户过去的行为和内容的特征，挑选出该用户可能喜欢的商品、视频、文章等并展示给他们的软件。
关于这个术语
- 难度
- 入门 · 写给初次接触者的核心概念
- 分类
- 基础概念
- 加入时间
- 2026-10-08
工作原理
代表性的方法有两种。协同过滤推荐“与我口味相似的人喜欢的东西”，仅凭点击、购买、观看等行为记录就能运作。基于内容的推荐则推荐“与我喜欢的东西特征相似的东西”，使用类型、描述文字、图片等内容信息。如今广泛使用的是深度学习方法：将用户和内容都转换为嵌入（数值向量），再查找彼此接近的项，并且常常将两种方法结合使用。
两种基本推荐方法
协同过滤参考口味相似的人
- 仅凭行为记录即可运作
- 容易带来意外发现
- 不擅长处理新商品、新用户
基于内容与喜欢的东西相似的东西
- 使用类型、描述等特征
- 新商品也能推荐
- 容易只重复相似内容
공통 实际服务通常将两种方法结合使用
大型服务如何运作
在商品或视频数量极多的服务中，无法为每个人逐一给所有项目打分。因此，系统会先用快速的方法大幅筛选出候选项，只对这些候选项用更精细的模型排序，最后再应用去重、多样性等规则，确定要在页面上展示的列表。筛选候选项时常用向量数据库或 ANN 搜索。这种分阶段结构也与用重排序模型对检索结果重新排序的 RAG 流程相似。
逐步缩减候选项的推荐阶段
为什么重要
在选项多到人无法自己逐一查找的服务中，推荐能帮助用户快速找到想要的东西。购物、视频、音乐、新闻、广告等许多服务的首页都由推荐结果填满。因此，推荐质量直接影响用户满意度和服务收入。推荐调整后是否真正有所改善，通常通过 A/B 测试来确认。
注意事项
新注册的用户或新上架的商品没有行为记录，难以推荐，这被称为“冷启动”问题。如果一直只推荐相似的东西，用户可能被困在狭窄的偏好里，形成“过滤气泡”。如果只以增加点击量为优化目标，还存在过度推荐刺激性内容的风险。由于使用个人行为记录，还需同时考虑个人信息保护以及说明推荐理由的透明度。
示例
视频服务的首页是推荐系统结果的典型例子。系统根据用户最近完整看完的视频、跳过的视频，以及观看记录相似的其他人的选择来挑选候选项，再按观看可能性从高到低填充页面。网上商城中“看过此商品的顾客还看了”的区域也是基于同样的原理。最近还有人尝试利用 LLM 用文字说明推荐理由，或通过对话询问用户偏好后进行推荐。