Skip to main content

推荐系统简介

推荐系统是现代互联网应用的核心技术之一，广泛应用于电商、短视频、社交媒体、新闻等领域。

推荐系统架构​

一个完整的推荐系统通常包含以下几个阶段：

用户请求 → 召回 → 粗排 → 精排 → 重排 → 返回结果

1. 召回（Recall）​

目标：从海量候选集（百万-千万级）中快速筛选出数百到数千个候选

常用算法：

  • 协同过滤：基于用户行为的相似度推荐
  • 内容推荐：基于物品内容特征的相似度
  • 双塔模型：用向量检索实现高效召回（本节重点）
  • 图召回：基于用户-物品图的游走算法

性能要求：毫秒级响应，高吞吐

2. 粗排（Pre-Ranking）​

目标：将召回的候选从数千个缩减到数百个

常用算法：

  • 轻量级深度模型（如 3 层 MLP）
  • 特征简化的 CTR 模型

性能要求：10-50ms

3. 精排（Ranking）​

目标：对候选进行精确打分排序

常用算法：

  • LR（Logistic Regression）：经典基线
  • FM（Factorization Machines）：特征交叉
  • DNN：DeepFM, Wide&Deep, DCN 等
  • 多目标模型：同时预测点击、时长、分享等

性能要求：50-200ms

4. 重排（Re-Ranking）​

目标：考虑列表整体多样性、业务规则等

常用策略：

  • 多样性优化：避免推荐过于相似的内容
  • 业务插入：广告、运营位等
  • 打散逻辑：同一作者、同一类目的内容不连续出现

核心技术挑战​

冷启动问题​

  • 新用户：没有历史行为数据
  • 新物品：没有用户反馈数据
  • 解决方案：
    • 基于内容的推荐
    • 利用辅助特征（画像、标签）
    • 探索与利用（Exploration & Exploitation）

实时性要求​

  • 在线推理：用户请求到返回结果通常要求 < 200ms
  • 特征更新：用户实时行为需要快速反馈到模型

数据稀疏性​

  • 绝大多数用户只与极少数物品交互
  • 长尾物品曝光困难

评估指标​

  • 离线指标：AUC, GAUC, NDCG, Recall@K
  • 在线指标：CTR（点击率）, CVR（转化率）, 用户时长, 留存率

学习路径​

如果你是推荐系统初学者，建议按以下顺序学习：

  1. 基础算法：协同过滤、矩阵分解
  2. 召回技术：双塔模型、向量检索（Faiss）← 本节内容
  3. 排序模型：LR → FM → DeepFM → 多目标学习
  4. 工程实践：特征工程、AB 测试、线上系统设计

本节内容​

本节将深入介绍推荐系统中的召回技术，特别是工业界广泛应用的双塔模型（Two-Tower Model）。

你将学到：

  • 双塔模型的原理与实现
  • 如何使用 Faiss 进行高效向量检索
  • 如何处理冷启动问题
  • 工业界的最佳实践

参考资料​