推荐系统

协同过滤与内容过滤

推荐算法有两个经典方向：协同过滤（Collaborative Filtering）基于「和你行为相似的用户喜欢什么」，不需要理解物品内容，Netflix Prize（2006-2009）竞赛让矩阵分解方法家喻户晓；内容过滤则分析物品属性（一首歌的 BPM、曲风、歌词情感），向喜欢同类内容的用户推荐。

现代大规模系统通常是两者融合，再加入 DNN 深度学习。YouTube 2016 年发表的 Two-Tower 模型是行业标杆，用一个塔对用户建模，另一个塔对视频建模，在向量空间中用近似最近邻（ANN）快速找到匹配候选。[1]

召回、排序、重排的三级漏斗

• 召回：从千万量级物品中快速筛选出数百到数千候选，追求速度，容忍较低精度，常用向量检索（Faiss、Milvus）
• 粗排 / 精排：用更复杂的模型（如 Wide & Deep、DIN、BERT4Rec）对候选打分，考虑用户实时行为序列
• 重排：在精排结果上加入多样性约束（不连续出现同一作者）、业务规则（广告插入位）、去重

这套漏斗在淘宝、抖音、Spotify 中都有对应实现，核心挑战是在毫秒级响应时间内完成全流程。