Recommendation Systems on Chen Kai Blog

Recommendation Systems on Chen Kai Bloghttps://www.chenk.top/zh/recommendation-systems/Recent content in Recommendation Systems on Chen Kai BlogHugozh-CNThu, 15 Jan 2026 09:00:00 +0000推荐系统（十六）—— 工业级架构与最佳实践https://www.chenk.top/zh/recommendation-systems/16-%E5%B7%A5%E4%B8%9A%E7%BA%A7%E6%9E%B6%E6%9E%84%E4%B8%8E%E6%9C%80%E4%BD%B3%E5%AE%9E%E8%B7%B5/Thu, 15 Jan 2026 09:00:00 +0000https://www.chenk.top/zh/recommendation-systems/16-%E5%B7%A5%E4%B8%9A%E7%BA%A7%E6%9E%B6%E6%9E%84%E4%B8%8E%E6%9C%80%E4%BD%B3%E5%AE%9E%E8%B7%B5/<blockquote> <p>工业级推荐系统最难的部分不是模型本身，而是<strong>模型周围的系统</strong>：消除训练-服务偏差的特征仓库、能在亿级用户面前及时拦下回归的金丝雀发布、能在 100 ms p95 预算内串联起四个 ML 模型的编排层。本文是系列的最后一篇，描述了所有大型互联网公司最终都收敛到的那套架构，以及每一层背后的取舍。</p>推荐系统（十五）—— 实时推荐与在线学习https://www.chenk.top/zh/recommendation-systems/15-%E5%AE%9E%E6%97%B6%E6%8E%A8%E8%8D%90%E4%B8%8E%E5%9C%A8%E7%BA%BF%E5%AD%A6%E4%B9%A0/Mon, 12 Jan 2026 09:00:00 +0000https://www.chenk.top/zh/recommendation-systems/15-%E5%AE%9E%E6%97%B6%E6%8E%A8%E8%8D%90%E4%B8%8E%E5%9C%A8%E7%BA%BF%E5%AD%A6%E4%B9%A0/<blockquote> <p>用户 14:02 打开 App 搜「越野跑鞋」，到 15:30 兴趣已经飘到厨房好物。如果你的模型还在跑昨晚的离线快照，16:00 推给他的依然是萨洛蒙广告——这条时间差就是实时系统真正要补上的洞。但有意思的不是「让一切更快」，而是「到底什么需要快」：大量特征即便实时化也基本不影响 AUC，方向选错就是花钱买空气。</p>推荐系统（十四）—— 跨域推荐与冷启动解决方案https://www.chenk.top/zh/recommendation-systems/14-%E8%B7%A8%E5%9F%9F%E6%8E%A8%E8%8D%90%E4%B8%8E%E5%86%B7%E5%90%AF%E5%8A%A8%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/Fri, 09 Jan 2026 09:00:00 +0000https://www.chenk.top/zh/recommendation-systems/14-%E8%B7%A8%E5%9F%9F%E6%8E%A8%E8%8D%90%E4%B8%8E%E5%86%B7%E5%90%AF%E5%8A%A8%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/<blockquote> <p>Netflix 进入一个新国家时，会接手数以百万计零历史的用户和一个本地评分为零的内容库。亚马逊每开一个新品类都要重演一遍。在这种情况下，把推荐系统撑起来的依靠的是一整套技术：首请求时用启发式 Bootstrap，几次交互之后切到元学习，遇到关联领域时做跨域迁移，模型有信心了再用 Bandit 持续探索。本文按这个工程顺序讲清楚每一层的来龙去脉，并直接对应到它们出处的论文。</p>推荐系统（十三）—— 公平性、去偏与可解释性https://www.chenk.top/zh/recommendation-systems/13-%E5%85%AC%E5%B9%B3%E6%80%A7-%E5%8E%BB%E5%81%8F%E4%B8%8E%E5%8F%AF%E8%A7%A3%E9%87%8A%E6%80%A7/Tue, 06 Jan 2026 09:00:00 +0000https://www.chenk.top/zh/recommendation-systems/13-%E5%85%AC%E5%B9%B3%E6%80%A7-%E5%8E%BB%E5%81%8F%E4%B8%8E%E5%8F%AF%E8%A7%A3%E9%87%8A%E6%80%A7/<blockquote> <p>用户打开 Spotify，反复出现的还是那五十首歌。打开 Amazon，排在最前面的总是自己已经看过的商品。打开 YouTube，每条推荐都把你拽向某个并不记得自己想要的兔子洞。这些症状各有名字、各有原因、各有解法。本文讨论的就是这三件事。</p>推荐系统（十二）—— 大语言模型与推荐系统https://www.chenk.top/zh/recommendation-systems/12-%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B%E4%B8%8E%E6%8E%A8%E8%8D%90%E7%B3%BB%E7%BB%9F/Sat, 03 Jan 2026 09:00:00 +0000https://www.chenk.top/zh/recommendation-systems/12-%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B%E4%B8%8E%E6%8E%A8%E8%8D%90%E7%B3%BB%E7%BB%9F/<p>一个用户打开电影 App，输入：「想看类似《盗梦空间》的，但别太压抑。」传统推荐系统——协同过滤、双塔 DNN、甚至 DIN——在这句话里抓不到任何有用的信号。它没有点赞按钮可以计数，没有共看图谱可以遍历，也没有用户 ID 关联到历史记录。这句话必须先被翻译成 ID，系统才能开始工作。</p>推荐系统（十一）—— 对比学习与自监督学习https://www.chenk.top/zh/recommendation-systems/11-%E5%AF%B9%E6%AF%94%E5%AD%A6%E4%B9%A0%E4%B8%8E%E8%87%AA%E7%9B%91%E7%9D%A3%E5%AD%A6%E4%B9%A0/Wed, 31 Dec 2025 09:00:00 +0000https://www.chenk.top/zh/recommendation-systems/11-%E5%AF%B9%E6%AF%94%E5%AD%A6%E4%B9%A0%E4%B8%8E%E8%87%AA%E7%9B%91%E7%9D%A3%E5%AD%A6%E4%B9%A0/<p>经典推荐模型只学一种信号：用户有没有点、看完没、买没买。这种监督信号很宝贵，但也极其稀疏——大多数用户接触不到目录里 1% 的物品，大多数物品也接触不到 0.1% 的用户，新上线的用户和物品则干脆没有任何记录。直接拿这种稀疏标签去优化，几乎注定会在头部过拟合、在尾部沉默。</p>推荐系统（十）—— 深度兴趣网络与注意力机制https://www.chenk.top/zh/recommendation-systems/10-%E6%B7%B1%E5%BA%A6%E5%85%B4%E8%B6%A3%E7%BD%91%E7%BB%9C%E4%B8%8E%E6%B3%A8%E6%84%8F%E5%8A%9B%E6%9C%BA%E5%88%B6/Sun, 28 Dec 2025 09:00:00 +0000https://www.chenk.top/zh/recommendation-systems/10-%E6%B7%B1%E5%BA%A6%E5%85%B4%E8%B6%A3%E7%BD%91%E7%BB%9C%E4%B8%8E%E6%B3%A8%E6%84%8F%E5%8A%9B%E6%9C%BA%E5%88%B6/<p>好厨师不会给每位客人做同一道菜。她会留意你进门的状态、点的酒，瞄一眼你盯着黑板看的方向，然后才决定今晚的招牌该是牛排还是烩饭。你过去来过几次很重要，但只有契合 <em>此刻</em> 心情的那部分才作数。</p>推荐系统（九）—— 多任务学习与多目标优化https://www.chenk.top/zh/recommendation-systems/09-%E5%A4%9A%E4%BB%BB%E5%8A%A1%E5%AD%A6%E4%B9%A0%E4%B8%8E%E5%A4%9A%E7%9B%AE%E6%A0%87%E4%BC%98%E5%8C%96/Thu, 25 Dec 2025 09:00:00 +0000https://www.chenk.top/zh/recommendation-systems/09-%E5%A4%9A%E4%BB%BB%E5%8A%A1%E5%AD%A6%E4%B9%A0%E4%B8%8E%E5%A4%9A%E7%9B%AE%E6%A0%87%E4%BC%98%E5%8C%96/<p>打开淘宝刷一会，你看到的每一张商品图背后，模型都在同时回答好几个问题：用户会点击吗？点了会加购吗？加购了会下单吗？下单了会退货吗？买了会写好评吗？这些都是不同的<strong>任务</strong>，分布、稀疏度、商业含义各不相同；但它们又彼此牵连——肯点的人更可能转化，转化的人更可能复购，但 CTR 高的吸睛缩略图也可能拉低观看时长。</p>推荐系统（八）—— 知识图谱增强推荐系统https://www.chenk.top/zh/recommendation-systems/08-%E7%9F%A5%E8%AF%86%E5%9B%BE%E8%B0%B1%E5%A2%9E%E5%BC%BA%E6%8E%A8%E8%8D%90%E7%B3%BB%E7%BB%9F/Mon, 22 Dec 2025 09:00:00 +0000https://www.chenk.top/zh/recommendation-systems/08-%E7%9F%A5%E8%AF%86%E5%9B%BE%E8%B0%B1%E5%A2%9E%E5%BC%BA%E6%8E%A8%E8%8D%90%E7%B3%BB%E7%BB%9F/<p>当你在视频平台搜索《蝙蝠侠：黑暗骑士》时，系统不仅记下你看了这部电影，它还知道：克里斯蒂安·贝尔饰演蝙蝠侠、克里斯托弗·诺兰执导、属于"诺兰蝙蝠侠三部曲"，并且与其他烧脑动作片在风格上同源。这张丰富的语义网络就是 <strong>知识图谱（Knowledge Graph，KG）</strong>——一张由实体（电影、演员、导演、类型）和<strong>带类型的关系</strong>（<code>acted_in</code>、<code>directed_by</code>、<code>part_of</code>）组成的结构化网络。</p>推荐系统（七）—— 图神经网络与社交推荐https://www.chenk.top/zh/recommendation-systems/07-%E5%9B%BE%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E4%B8%8E%E7%A4%BE%E4%BA%A4%E6%8E%A8%E8%8D%90/Fri, 19 Dec 2025 09:00:00 +0000https://www.chenk.top/zh/recommendation-systems/07-%E5%9B%BE%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E4%B8%8E%E7%A4%BE%E4%BA%A4%E6%8E%A8%E8%8D%90/<p>当 Netflix 决定下一个推荐时，它不会只看你的观看历史。背后是一张关系网：哪些电影共享演员、哪些用户口味重叠、评分如何在目录里层层传播。“图"在这里不是比喻——每一张交互矩阵 <em>本身就是</em> 一张图，而把它当成图来处理，会打开一片纯 user/item embedding 不能表达的空间。</p>推荐系统（六）—— 序列推荐与会话建模https://www.chenk.top/zh/recommendation-systems/06-%E5%BA%8F%E5%88%97%E6%8E%A8%E8%8D%90%E4%B8%8E%E4%BC%9A%E8%AF%9D%E5%BB%BA%E6%A8%A1/Tue, 16 Dec 2025 09:00:00 +0000https://www.chenk.top/zh/recommendation-systems/06-%E5%BA%8F%E5%88%97%E6%8E%A8%E8%8D%90%E4%B8%8E%E4%BC%9A%E8%AF%9D%E5%BB%BA%E6%A8%A1/<p>打开淘宝刚浏览了几件商品，首页的"猜你喜欢"立刻刷新；听完两首周杰伦，音乐 App 紧接着推同风格的曲子。这种"根据最近行为序列预测下一步兴趣"的能力，就是<strong>序列推荐</strong>（Sequential Recommendation）的看家本领。</p>推荐系统（五）—— Embedding表示学习https://www.chenk.top/zh/recommendation-systems/05-embedding%E8%A1%A8%E7%A4%BA%E5%AD%A6%E4%B9%A0/Sat, 13 Dec 2025 09:00:00 +0000https://www.chenk.top/zh/recommendation-systems/05-embedding%E8%A1%A8%E7%A4%BA%E5%AD%A6%E4%B9%A0/<p>当 Netflix 把《盗梦空间》推给一个刚看完《蝙蝠侠：黑暗骑士》的用户，背后并不是一条手写的"看过 Nolan 就推 Nolan"的规则，而是一个几何问题：这两部电影在一个 128 维的 <strong>Embedding 空间</strong> 里距离很近，而它们和《海底总动员》之间的距离很远。<strong>几何替代了枚举</strong>——系统不再去和数万部电影逐一比对，而是只问一个问题：“这两个向量之间有多远？”</p>推荐系统（四）—— CTR预估与点击率建模https://www.chenk.top/zh/recommendation-systems/04-ctr%E9%A2%84%E4%BC%B0%E4%B8%8E%E7%82%B9%E5%87%BB%E7%8E%87%E5%BB%BA%E6%A8%A1/Wed, 10 Dec 2025 09:00:00 +0000https://www.chenk.top/zh/recommendation-systems/04-ctr%E9%A2%84%E4%BC%B0%E4%B8%8E%E7%82%B9%E5%87%BB%E7%8E%87%E5%BB%BA%E6%A8%A1/<p>每次你刷信息流、点开商品推荐或者看下一个推荐视频，背后都有一个 CTR（Click-Through Rate，点击率）预估模型在替你做决定。它要回答一个看似简单的问题：</p>推荐系统（三）—— 深度学习基础模型https://www.chenk.top/zh/recommendation-systems/03-%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E5%9F%BA%E7%A1%80%E6%A8%A1%E5%9E%8B/Sun, 07 Dec 2025 09:00:00 +0000https://www.chenk.top/zh/recommendation-systems/03-%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E5%9F%BA%E7%A1%80%E6%A8%A1%E5%9E%8B/<p>2016 年 6 月，Google 在一篇短短一页的会议论文里悄悄改写了推荐系统的版图。那篇论文叫 <strong>Wide & Deep Learning</strong>，描述的模型当时正在 Google Play 应用商店里跑——一个用户量上十亿的产品。一年之内，主流厂商都把深度模型推上了线；到 2019 年，行业默认值已经变了：矩阵分解只是 baseline，不再是系统。</p>推荐系统（二）—— 协同过滤与矩阵分解https://www.chenk.top/zh/recommendation-systems/02-%E5%8D%8F%E5%90%8C%E8%BF%87%E6%BB%A4%E4%B8%8E%E7%9F%A9%E9%98%B5%E5%88%86%E8%A7%A3/Thu, 04 Dec 2025 09:00:00 +0000https://www.chenk.top/zh/recommendation-systems/02-%E5%8D%8F%E5%90%8C%E8%BF%87%E6%BB%A4%E4%B8%8E%E7%9F%A9%E9%98%B5%E5%88%86%E8%A7%A3/<p>刚看完《肖申克的救赎》，想再找一部"那种感觉"的电影。按类型筛选会把你淹死在一堆烂片监狱题材里。协同过滤换了个思路：它根本不看电影本身，只问一个问题——<strong>和你看过相似东西的人，还都喜欢什么？</strong></p>推荐系统（一）—— 入门与基础概念https://www.chenk.top/zh/recommendation-systems/01-%E5%85%A5%E9%97%A8%E4%B8%8E%E5%9F%BA%E7%A1%80%E6%A6%82%E5%BF%B5/Mon, 01 Dec 2025 09:00:00 +0000https://www.chenk.top/zh/recommendation-systems/01-%E5%85%A5%E9%97%A8%E4%B8%8E%E5%9F%BA%E7%A1%80%E6%A6%82%E5%BF%B5/<p>打开 Netflix，首页那一行剧集刚好就是你想看的。刷抖音，下一条视频总能戳中你；周一早上打开 Spotify，“Discover Weekly” 里三十首陌生歌一半都让你想加入收藏。</p>