編輯導(dǎo)語：從前，沒有推薦系統(tǒng)的時(shí)候，我們所看到的信息都是通過自己篩選的，難免會(huì)摻雜著自己不喜歡的東西。如今，推薦系統(tǒng)的遍布，讓我們上癮。本文通過縱觀行業(yè)發(fā)展趨勢，解析推薦系統(tǒng)的興起，一起來看看。

太多技術(shù)大咖們在分享推薦系統(tǒng)的知識，本系列作為一個(gè)策略產(chǎn)品從業(yè)務(wù)視角和行業(yè)整體變化趨勢來為大家詳細(xì)介紹一個(gè)推薦策略產(chǎn)品經(jīng)理需要了解到的行業(yè)趨勢和必備的策略知識。

一、推薦系統(tǒng)在國內(nèi)的興起由來

站在2022年這個(gè)時(shí)間點(diǎn)大家都知道推薦系統(tǒng)在各大APP得到了廣泛的應(yīng)用，但站在整個(gè)國內(nèi)互聯(lián)網(wǎng)行業(yè)發(fā)展的視角，推薦系統(tǒng)在國內(nèi)的興起是有幾個(gè)非常大的標(biāo)志性事件的。

事件一：2012年今日頭條的上線，第一個(gè)完全利用推薦系統(tǒng)進(jìn)行流量分發(fā)的內(nèi)容類APP

2012年張一鳴帶著自己積累多年的推薦算法從“九九房”辭職開始自己的第五次創(chuàng)業(yè)，成立了“字節(jié)跳動(dòng)”。隨后推出的第一款產(chǎn)品就是今日頭條APP。

在2012年那個(gè)時(shí)間點(diǎn)，張一鳴就已經(jīng)意識到未來是移動(dòng)互聯(lián)網(wǎng)的時(shí)代。而移動(dòng)互聯(lián)網(wǎng)必將給人們帶來爆炸信息，使人們面對的選擇越來越多，面對信息超載，人們常常無所適從。

在這種情況下，傳統(tǒng)人工編輯的信息分發(fā)模式已經(jīng)不能適應(yīng)了，一方面效率低下一方面人工成本太高，而通過推薦系統(tǒng)來實(shí)現(xiàn)更加智能和個(gè)性的推薦就是最好的方式。

相信大家用過今日頭條APP的對于今日頭條APP的推薦能力都很清楚，推的實(shí)在是太準(zhǔn)了?？梢苑Q之為第一代“時(shí)間熔爐”，那時(shí)候還沒有精神鴉片抖音。今日頭條的上線是一個(gè)國內(nèi)推薦系統(tǒng)發(fā)展的標(biāo)志性事件，代表著推薦系統(tǒng)開始慢慢走向了臺(tái)前。

事件二：2015年淘寶雙11全面開啟“千人千面”時(shí)代

很多人知道蔣凡是因?yàn)樗蛷埓筠鹊木p聞，但很少有人知道為什么蔣凡作為一個(gè)被阿里收購公司的員工能夠在阿里晉升地如此之快，一直到成為阿里的太子。

蔣凡在阿里能夠快速升遷做到阿里太子的位置，離不開蔣凡成功地將阿里從PC時(shí)代完成向移動(dòng)端的轉(zhuǎn)型。蔣凡在阿里主導(dǎo)搭建了阿里的“千人千面”的推薦系統(tǒng)，以及成功布局了淘寶直播。2015年淘寶的雙11正式全面開啟“千人千面”時(shí)代，以往大家在淘寶首頁看到的推薦商品和頻道等基本上都是一樣的，并沒有實(shí)現(xiàn)按照用戶興趣的個(gè)性化分發(fā)。

而在2015年的雙11，淘寶正式宣布開啟“千人千面”的時(shí)代，這個(gè)背后的推手就是蔣凡。而當(dāng)年雙11的成交額無線占比74.83%。從此以后蔣凡帶領(lǐng)著阿里，從月活躍用戶4億多，一直提升到巔峰期接近9億。

淘寶開啟“千人千面”的時(shí)代標(biāo)志著推薦系統(tǒng)在電商領(lǐng)域的分發(fā)效率也已經(jīng)遠(yuǎn)遠(yuǎn)超過了傳統(tǒng)的人工配置或者BI的方式，推薦系統(tǒng)已經(jīng)滲透到了人們生活的很多領(lǐng)域，從閱讀新聞到網(wǎng)上購物等；

事件三：2020年淘寶雙11前首頁改版，首頁焦點(diǎn)圖下移，推薦模塊上提

2020年雙11前夕淘寶首頁發(fā)生了一個(gè)大改版，就是原本首頁最上方的橫版焦點(diǎn)圖下移到了下方推薦信息流模塊的第一坑，而中間的各種頻道和運(yùn)營樓層全部下線，最下方的“猜你喜歡”模塊大幅上移。而淘寶為什么這么做？核心原因其實(shí)也就只有一個(gè)，以往的這種信息分發(fā)方式已經(jīng)不能適應(yīng)當(dāng)前用戶的需求了，已經(jīng)不是最優(yōu)的信息分發(fā)模式。

各種運(yùn)營手動(dòng)配置的樓層下線，大幅提升基于推薦模型千人千面分發(fā)的“猜你喜歡”模塊的位置。

以上三個(gè)事件可以說是推薦系統(tǒng)在國內(nèi)互聯(lián)網(wǎng)領(lǐng)域應(yīng)用的標(biāo)志性事件。而在這些事件中推薦系統(tǒng)解決了一個(gè)核心的問題：如何實(shí)現(xiàn)日益增長爆炸式的信息與用戶不斷變化興趣和需求之間的高效匹配。

二、推薦系統(tǒng)為什么會(huì)興起？

那推薦系統(tǒng)為什么在2010后才開始蓬勃興起，早在上世紀(jì)90年代就已經(jīng)有了各類推薦算法如協(xié)同過濾等，那時(shí)為什么推薦系統(tǒng)沒有發(fā)展起來？推薦系統(tǒng)的興起是因?yàn)?大因素在一起促進(jìn)了推薦系統(tǒng)的蓬勃發(fā)展。

2.1 時(shí)代的變化

2010年開始智能手機(jī)的普及，互聯(lián)網(wǎng)慢慢由PC時(shí)代進(jìn)入移動(dòng)時(shí)代 ，用戶可以無時(shí)無刻拿著手機(jī)上網(wǎng)，同時(shí)4G網(wǎng)絡(luò)的普及網(wǎng)速更快流量也更便宜了。人們開始有更多時(shí)間在網(wǎng)上漫無目的的沖浪，同時(shí)人們也不斷地在網(wǎng)上生產(chǎn)更多的內(nèi)容。爆炸式的信息增長和爆炸式的用戶增長，二者之間如何實(shí)現(xiàn)更好的匹配。就需要一種更加智能的方式，也就是推薦系統(tǒng)。

2.2 數(shù)據(jù)的積累

同時(shí)因?yàn)橐苿?dòng)互聯(lián)網(wǎng)時(shí)代的到來，用戶在網(wǎng)絡(luò)上表達(dá)的行為信息越多，計(jì)算機(jī)可以采集到的用戶行為信息也就越多。推薦模型就有了更多的數(shù)據(jù)去學(xué)習(xí)，去了解用戶的興趣和需求，推薦系統(tǒng)就可以推的更“準(zhǔn)”。

2.3 技術(shù)的進(jìn)步

大規(guī)模機(jī)器學(xué)習(xí)和深度學(xué)習(xí)在推薦系統(tǒng)領(lǐng)域的應(yīng)用。2010年以前推薦系統(tǒng)主要使用的還是傳統(tǒng)的協(xié)同過濾和基于內(nèi)容推薦的算法。

2010年以后隨著算法科學(xué)家們在推薦系統(tǒng)領(lǐng)域的不斷研究，將大規(guī)模機(jī)器學(xué)習(xí)框架引入到了推薦系統(tǒng)領(lǐng)域，大幅提升了推薦系統(tǒng)模型分發(fā)的效率和效果。后面又隨著深度學(xué)習(xí)模型的應(yīng)用，推薦系統(tǒng)的推薦效果也越來越好，對于用戶和物品的特征挖掘的更深更廣。

2.4 算力的進(jìn)步

AI的發(fā)展離不開：算法、算力和數(shù)據(jù)。作為AI在工業(yè)界應(yīng)用最廣的場景：推薦場景。推薦系統(tǒng)的發(fā)展自然也離不開算力的進(jìn)步，當(dāng)復(fù)雜的模型需要基于海量的數(shù)據(jù)進(jìn)行模型訓(xùn)練時(shí)，這時(shí)就需要性能高的算力來支持。

傳統(tǒng)的CPU資源訓(xùn)練一個(gè)推薦模型可能需要3天，這種效率太低下。當(dāng)使用最新的GPU資源來訓(xùn)練深度學(xué)習(xí)推薦模型，可能只需要3小時(shí)，大幅提升模型的訓(xùn)練和迭代效率，算法工程師的工作效率也會(huì)更高，模型的迭代也會(huì)更快。

所以“時(shí)代的變化”促使了對于更加智能化信息分發(fā)方式的訴求，而“技術(shù)的進(jìn)步、算力的進(jìn)步、數(shù)據(jù)的積累”保證了推薦系統(tǒng)完美地匹配上了時(shí)代變化產(chǎn)生的業(yè)務(wù)訴求。

三、推薦系統(tǒng)是萬能的嘛？可以取代未來所有的流量分發(fā)方式嘛？

上面我們介紹了這么多行業(yè)發(fā)展的趨勢和推薦系統(tǒng)的應(yīng)用，那么推薦系統(tǒng)是萬能的嘛？它未來會(huì)取代所有的流量分發(fā)方式嘛。

首先先說結(jié)論：不會(huì)。我們以電商APP為例，可以將APP的流量場域分為3大類吧。

推薦是基于用戶的興趣，平臺(tái)主動(dòng)去探索為用戶推薦可能感興趣的商品。而搜索是用戶主動(dòng)表達(dá)需求，平臺(tái)被動(dòng)接受的。

搜索場景是平臺(tái)不可或缺的，需要給用戶表達(dá)訴求的場景。而在電商平臺(tái)搜索場景也貢獻(xiàn)著超過60%以上的訂單，可能在內(nèi)容類APP上搜索場景流量不多，但是在電商類APP用戶目前還是傾向于搜索。

另外一大場景就是頻道&會(huì)場，這些場景其實(shí)落地頁里面很多都是基于推薦系統(tǒng)來進(jìn)行內(nèi)容分發(fā)了，只是很多時(shí)候業(yè)務(wù)側(cè)會(huì)有一些強(qiáng)干預(yù)，尤其在一些特殊節(jié)點(diǎn)上，一些會(huì)場會(huì)重點(diǎn)將一些流量傾斜給某些品牌等。比如寶潔和京東達(dá)成戰(zhàn)略合作，寶潔希望618期間有一個(gè)專屬的會(huì)場，里面分發(fā)的商品由他們自己決定，這種特殊需求在實(shí)際業(yè)務(wù)開展中其實(shí)有很多。

推薦系統(tǒng)分發(fā)就是完全交給推薦模型，由模型決定。而有一些場景因?yàn)閷?shí)際業(yè)務(wù)我們需要人工干預(yù)，這時(shí)候就不能依靠推薦系統(tǒng)來進(jìn)行信息分發(fā)了。

總的來說近些年推薦系統(tǒng)的蓬勃興起是時(shí)代的訴求，技術(shù)的推動(dòng)，天時(shí)地利人和。對于行業(yè)的了解和未來發(fā)展趨勢的判斷是推薦策略產(chǎn)品經(jīng)理必須要具備的。這篇文章是開篇，后面將會(huì)為大家詳細(xì)介紹推薦策略里面的召回、粗排、精排、重排、前端樣式、內(nèi)容創(chuàng)意等各類策略。

本文由 @King James 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自 Unsplash，基于 CC0 協(xié)議