1.1 深度理解推荐系统

推荐系统的历史最早可以追溯到1992年，施乐公司的帕洛阿尔托研究中心提出一种基于协同过滤算法的推荐系统，并将其用于垃圾邮件过滤。1994年，明尼苏达大学双城分校计算机科学与工程系的GroupLens研究所设计了GroupLens新闻推荐系统。这两个系统均使用了协同过滤（7.1节会详细介绍）算法。何为协同过滤？协同过滤就是为用户过滤掉没有用的或者不太喜欢的信息，留下有用的或喜欢的信息，即“去其糟粕，留其精华”。其实这也是大部分推荐系统的作用——帮助用户从大量物料中选出他们最感兴趣的。此后，大部分推荐系统从用户感兴趣的角度出发，开始推出“千人千面”的推荐功能，其主要目的有3个：

❑ 让用户的兴趣得到极大满足，以让用户长期在App内留存。

❑ 进一步开发用户的新兴趣，提高用户体验。

❑ 在实现盈利的同时，最小化对用户体验的损害。

1.为什么需要推荐系统

进入互联网时代后，社会的信息壁垒加速松动，人们进入了信息爆炸的时代。对于个人用户来说，需要一个系统帮他从驳杂而庞大的物料库（物料库指商品库，也可以理解为待推荐的物料库）中找出他需要的、感兴趣的物料，这不仅是一种基本的需求满足，更是一种惊喜感的营造和潜在需求的满足。比如，用户在某电商平台搜索了手机，系统推荐了手机，这只是一种基本的需求满足。但是，如果再有相关耳机、手机壳等的推荐，则无疑会击中用户的潜在痛点，提高用户的体验。

不要小看用户的体验，在App功能同质化严重的今天，谁能把用户体验和用户留存做到极致，谁就能掌握在互联网上赚钱的密码——流量。对于公司来说，在App的初创阶段通常是不需要推荐系统的，只需要完成基本的功能和框架，再配几个运维人员即可。随着用户数的爆发，运维人员数量的增长肯定无法匹配用户数量的增长，而且对于大部分场景来说，推荐产出物料的体验要明显好于运维产出的物料。因此，为了减少运营成本，提高用户体验，进而提高用户留存和商品交易总额（Gross Merchandise Volume, GMV）等相关指标，推荐系统的构建就显得尤为关键了。

2.推荐和搜索是什么关系

搜索其实可以理解为推荐的前身。在互联网时代早期，人们通过搜索关键字来查找自己想要的内容。推荐略去了这一步骤，直接通过下滑展示、推送和首页展示等方式满足用户的信息获取需求。

搜索是有目的性的，很多时候是一次性的，只要满足了用户的当前需求，这个会话的任务就完成了。推荐在很多时候并没有目的性，因为很多用户并不知道自己的兴趣点在哪里，所以需要推荐系统去刺激用户的痛点，让用户留在应用内。这么一比较，搜索其实更像在满足用户的基本需求，而推荐则更像在满足用户的潜在兴趣需求。

表1-1所示为搜索和推荐的对比。

表1-1 搜索和推荐对比