初识推荐系统：你刷到的内容为啥刚好戳中你？

有没有过这种经历？周末宅家刷抖音，本来只想看5分钟解解闷，一抬头发现半小时过去了，而你刷到的10条视频里有8条都是你爱看的美食/手工/动漫内容，每一条都刚好戳中你的兴趣点；打开QQ音乐，系统推的「每日推荐」30首歌里你能循环20首，连你最近刚迷上的小众歌手都给你挖出来了；打开淘宝，「猜你喜欢」里居然出现了你上周跟同桌念叨了一句的动漫周边，你忍不住点进去加了购物车，然后突然反应过来：这手机是不是偷听我说话了？

你猜得没错，也不是完全错——它确实在“听”你，只不过不是用麦克风偷听你聊天，而是通过你所有的上网行为“读”你的喜好：你刷到美食视频多看了2秒，你给手工视频点了赞，你搜过「露营装备怎么选」，你给科幻电影打了五星好评，这些你根本没当回事的小动作，都被推荐系统悄悄记了下来，拼凑出一个专属于你的“喜好画像”，然后精准地把你想看的内容递到你手里。这个看不见的“金牌导购”，就是现在火遍全球的推荐系统。

你可以把整个互联网想象成一个超级大书店，里面有几十亿本“书”：短视频是动态的连环画，音乐是带旋律的有声书，商品是能摸到实物的小册子，新闻是讲实时事的简报。如果你没有导购，自己在这个书店里找喜欢的内容，就像让你蒙着眼睛在几十层楼高的书海里捞一根特定的针，捞到天荒地老也未必能找到。而推荐系统，就是这个书店里最懂你的金牌导购：你不用开口说自己喜欢什么，他观察你平时翻过什么书、在哪类书架前停得最久、上次买了什么书还给了五星好评，就能精准地把你想看的内容递到你手里。它的核心作用只有一个：帮你从海量内容里快速找到你喜欢的东西，不用自己大海捞针。

你可能觉得“找喜欢的内容很难吗？我自己搜不就行了？”那你先算一笔账：现在抖音每天上传的短视频超过1000万条，B站每天更新的视频超过10万条，QQ音乐的歌库里躺着超过1亿首歌，淘宝的商品总数超过10亿件。就算你每秒

就算你每秒能刷10条视频，你一年能看的视频不到3000万条，只是当天上传量的千分之三——剩下的999.7%的内容，你一辈子都刷不到。要是全靠你自己搜关键词找内容，你搜个“手工DIY”，出来几百万条结果，你点开前10条，有3条是卖劣质手工材料的广告，2条是去年的过时教程，剩下5条里只有1条刚好符合你“新手零基础预算50块以内”的需求，剩下的要么太复杂你学不会，要么材料贵到你买不起，找半天也找不到一个能跟着做的教程，半小时就这么浪费了，还不如躺平让系统给你推。

这就是推荐系统出现的核心原因：互联网的内容多到已经超过了任何人能手动筛选的极限，我们需要一个看不见的“金牌导购”，帮我们从海量内容里精准捞出来我们想要的东西。这个导购比你之前去书店遇到的导购还神，你不用开口说“我要什么”，你只要正常刷内容、点个赞、多停留两秒，它就能摸透你的喜好，把你想要的东西直接递到你手里。

推荐系统其实一点都不新鲜，你早就见过它了

很多人觉得推荐系统是近些年才有的新技术，其实它的雏形早就出现在你的生活里了。你小时候去书店，门口摆着的“畅销书展台”，就是最原始的人工推荐：书店老板根据这段时间哪本书卖得最好，把它摆在最显眼的地方，所有进书店的人都能看到，这是最早的“一对多”推荐，所有人都看一样的内容。后来书店老板发现，来买科幻小说的顾客很多也会买《三体》，就会在科幻书架旁边摆一本《三体》，旁边放个牌子写着“科幻迷必读”，这就是最早的“个性化推荐”雏形：根据你的喜好，给你推你可能感兴趣的内容。

互联网时代的推荐系统，其实就是把这个“书店导购”的逻辑搬到了线上，而且规模放大了几亿倍。最早的互联网推荐完全是人工做的：90年代雅虎刚做搜索引擎的时候，互联网上的网站还不到100万个，雅虎雇了几百个编辑，把所有网站分好类，做成目录导航，你找网站只能按分类找，比如找体育网站就点“体育”分类，找娱乐网站就点“娱乐”分类，所有用户看到的都是一样的目录，这就是最原始的“门户网站推荐时代”，完全靠人工编辑挑内容，优点是内容质量有保证，缺点是效率太低，编辑根本挑不过来，而且所有人都看一样的内容，根本满足不了不同人的个性化需求。

等到了2000年左右，互联网内容爆炸了，全世界的网站已经有几千万个，编辑根本看不过来，这时候就出现了第一个自动化的推荐逻辑：按“热度”排序。哪个网页点的人多、哪个新闻被转载的次数多，就把哪个放到前面，比如Google News刚上线的时候，就是用的这个逻辑，把所有新闻按点击量、转载量排序，你打开首页看到的就是当天最火的新闻，比编辑挑的要快得多，也更能代表大部分人的喜好，但问题还是“千人一面”：所有人都看到一样的新闻，你喜欢看体育，他喜欢看娱乐，看到的首页内容完全一样，还是满足不了个性化需求。

真正的个性化推荐是在Web 2.0时代才兴起的：2003年博客兴起，2004年Facebook上线，2006年Twitter上线，互联网从“平台生产内容”变成了“用户自己生产内容”，每天新增的内容有几百万条，每个人的喜好都不一样，有人喜欢看科技博客，有人喜欢看明星八卦，有人喜欢看美食教程，再靠人工或者统一的热度排序根本满足不了需求。这时候亚马逊最早把“协同过滤”的逻辑用到了商品推荐里：你买了《哈利波特与魔法石》，系统发现“买了《哈利波特与魔法石》的人，90%都买了《指环王》”，就会给你推《指环王》，这个逻辑特别简单，就是“和你口味差不多的人喜欢的东西，你也可能喜欢”，这就是最早的个性化推荐算法，虽然简单，但效果比之前的热度排序准太多了。

> 📌 推荐系统发展小时间轴 > - 1992年：雅虎推出人工编辑的互联网目录导航，所有推荐内容都由编辑手动挑选，是“千人一面”的时代 > - 2003年：亚马逊上线“购买此商品的人也买了”功能，最早把“相似人群喜好”用到商品推荐中，是个性化推荐的雏形 > - 2006年：Netflix举办百万美元推荐算法大赛，全球顶尖的算法高手竞争优化推荐准确率，把个性化推荐的热度推到顶峰 > - 2016年：抖音、快手等短视频平台上线，基于实时用户行为的短视频推荐成为主流，推荐系统从“辅助功能”变成了平台的“核心引擎” > - 2022年之后：推荐系统开始加入“价值观引导”模块，除了推你喜欢的内容，还会主动推送科普、公益、正能量内容，避免用户陷入信息茧房

等到了2010年移动互联网普及之后，推荐系统才真正变成了你离不开的“隐形导购”。智能手机让你随时随地都能刷内容，短视频、直播、社交平台的内容产量呈指数级增长：现在抖音每天上传的短视频超过1000万条，B站每天更新的视频超过10万条，QQ音乐的歌库里躺着超过1亿首歌，淘宝的商品总数超过10亿件。你不可能把所有时间都用来找内容，这时候推荐系统就变成了核心：你打开抖音，不需要搜任何关键词，直接刷，系统就会把你喜欢的内容一条一条递到你手里；你打开QQ音乐，不需要自己找歌单，系统给你推的「每日推荐」30首歌里你能循环20首；你打开淘宝，不需要搜“露营装备”，首页的「猜你喜欢」里已经出现了你上周跟同桌念叨了一句的户外折叠椅。

::: info 冷知识小贴士 你刷到的每一条推荐内容，背后平均有几十个工程师在优化算法，他们每天的工作就是让推荐更准、更少出错、更能帮你找到喜欢的内容。推荐系统不是魔法，是无数人一点点优化出来的“数字导购”。 :::

推荐系统的核心逻辑，其实就是三个步骤

你可能会好奇：推荐系统到底怎么知道我喜欢什么？是不是真的能“读心”？当然不是，它不会读心术，它的逻辑特别简单，就像那个懂你的书店导购，只需要三步就能把你想看的内容递到你手里。

第一步：记下你的喜好，画一张专属于你的“喜好画像”

导购为什么懂你？因为他观察你观察得够细：你上次来买了什么书，你在哪个书架前停了5分钟，你翻了几页《三体》又放回去了，你跟朋友说想找“适合初中生看的科幻小说”，这些细节他都记在脑子里，拼凑出一张专属于你的“喜好卡片”：你喜欢科幻，喜欢硬核科普，预算50块以内，讨厌狗血爱情剧，最近想找适合初中生看的书。

推荐系统做的也是这件事：它会记下你所有的上网行为，比如你刷到美食视频多看了2秒，你给手工视频点了赞，你搜过“露营装备怎么选”，你给科幻电影打了五星好评，你甚至只是刷到一条猫的视频没点赞也没划走，多停留了1秒，它都会记下来，然后给你打上一堆标签：比如「喜欢美食」「喜欢手工」「近期对露营感兴趣」「喜欢科幻」「对猫的内容感兴趣」。这张“喜好画像”不是固定的，是动态更新的：你上周喜欢看猫的视频，这周突然迷上了钓鱼，你的画像里就会加上「近期对钓鱼感兴趣」的标签，接下来系统就会给你推更多钓鱼的内容。

::: tip 举个栗子 你上周体育课要考引体向上，搜了一次“引体向上怎么练”，接下来一周你刷B站的时候，就会多出来很多健身UP主的教学视频，这就是系统给你打上了「近期对健身感兴趣」的标签，更新了你的喜好画像，以为你突然爱上健身了。等你考完试，再也没搜过健身相关的内容，刷到健身视频也立刻划走，过几天系统就会把这个标签去掉，不会再给你推健身视频了。 :::

第二步：给所有内容打标签，让每一条内容都有自己的“身份卡”

导购手里的书都是分好类的：科幻类的摆科幻书架，美食类的摆美食书架，少儿类的摆少儿书架，这样他知道你喜欢科幻，就直接去科幻书架给你找书。推荐系统做的也是这件事：它会给所有内容打标签，给每条短视频打标签，给每首歌打标签，给每个商品打标签，让每一条内容都有自己的“身份卡”。

比如一条关于“做戚风蛋糕”的短视频，系统会给它打上「美食」「烘焙」「新手教程」「甜点」「零基础」的标签；一首周杰伦的《晴天》，会被打上「流行」「周杰伦」「华语」「怀旧」「恋爱」的标签；一个露营折叠椅的商品，会被打上「户外」「露营」「折叠椅」「便携」「性价比高」的标签。这些标签有的是内容发布者自己填的，有的是系统通过分析内容自动打上去的，比如系统识别出视频里的人在揉面团做蛋糕，就会自动给它打上「烘焙」的标签，不用发布者自己填。

第三步：把“你的喜好”和“内容的标签”匹配起来，把最合适的推给你

这一步就是推荐算法的核心工作了：导购知道你喜欢科幻、喜欢预算50块以内的书，就去科幻书架里找符合你预算的书，挑出来最火的几本给你。推荐系统做的也是这件事：它会把你喜好画像里的标签，和内容池里的内容标签做匹配，匹配度越高，就越优先推给你。

匹配的逻辑不止一种，最常用的有三种： 1. 标签匹配：你喜欢「美食」「烘焙」，就给你推标签里有「美食」「烘焙」的内容，这个逻辑最简单，也最常用； 2. 相似人群匹配：和你一样喜欢美食、烘焙的人，80%都喜欢「家居好物」，就给你推家居好物的内容，这个就是之前说的“和你口味差不多的人喜欢的东西，你也可能喜欢”； 3. 实时反馈匹配：你刚才刷到烘焙视频点了个赞，系统立刻就知道你最近对烘焙更感兴趣了，接下来就多给你推几个烘焙视频，匹配的权重会更高。

整个推荐系统的流程就是一个不断循环的过程：你看了内容、点了赞、划走了、搜了关键词，这些行为都会回到系统里，更新你的喜好画像，然后系统再重新匹配内容，推给你新的内容，你又有新的行为，再更新画像，再匹配内容，循环往复，它对你的了解就会越来越深，推的内容也会越来越准。

```mermaid graph LR A[用户行为数据] --> B[生成用户喜好画像] C[内容池] --> D[给内容打标签] B & D --> E[匹配规则计算匹配度] E --> F[把最匹配的内容推给你] F --> G[你看了/点赞/划走/搜关键词] G --> A ``` ::: info 小提示 上面的流程图就是推荐系统最核心的工作流程，你可以把它理解成一个“永不停歇的循环”：你每刷一条内容，都在给系统提供新的数据，帮它更懂你。 :::

你肯定关心的问题：推荐系统是不是只会给我推我喜欢的内容，让我变成“信息茧房”？

很多人觉得推荐系统是“信息茧房”的罪魁祸首：天天给我推猫的视频，我永远看不到别的 content，视野越来越窄。这个说法对了一半，推荐系统确实会优先推你喜欢的内容，但它不会只推你喜欢的内容，它也有“探索”的功能。

那个懂你的书店导购，不会只给你推你之前买过的科幻小说，偶尔也会给你递一本最近很火的科普书，说“很多喜欢科幻的读者也喜欢这本，你可以试试”。推荐系统也是一样：它不会100%都推你标签里的内容，一般会留10%-20%的“探索配额”，给你推一些你没看过但是可能感兴趣的内容，比如你天天看搞笑视频，系统偶尔会给你推一个“为什么猫从高处跳下来总是四脚着地”的科普视频，如果你点进去看了，还点赞了，系统就会知道你喜欢“搞笑+科普”的内容，接下来就会给你推更多类似的内容，你的兴趣范围就会变宽，不会一直困在搞笑视频里。

而且“信息茧房”的锅，不能全甩给推荐系统，你自己也有责任：你知道自己喜欢看猫的视频，每次刷到猫的视频就停下来看，刷到别的类型的内容就立刻划走，你自己也在主动筛选内容，加固这个“茧房”。推荐系统只是帮你更快找到喜欢的内容，真正决定你看到什么的，除了算法，还有你自己的选择。

::: tip 怎么避免陷入信息茧房？ 你完全可以主动掌控推荐系统，不用被动接受： 1. 如果你不想一直看某类内容，就点内容旁边的“不感兴趣”按钮，系统会立刻减少给你推这类内容； 2. 如果你想拓展兴趣，就主动去搜你感兴趣的新类型内容，看几个点个赞，系统很快就会给你推更多类似的内容； 3. 不要只会刷推荐页，偶尔也去搜你想了解的内容，主动探索新的兴趣，比被动接受推荐更能拓展视野。 :::

推荐系统不止能让你刷得更爽，还能做很多有用的事

很多人觉得推荐系统就是用来“投你所好”让你沉迷的，其实它的用处远不止这些，现在已经被用到了生活的方方面面： -

推荐系统不止能让你刷得更爽，还能做很多有用的事，它早就不是只存在于娱乐APP里的“消遣工具”了，已经渗透到你生活的方方面面，甚至能帮你解决很多实际问题。

先说说你最熟悉的学习场景：很多初中生都有过在B站搜题的经历，比如你上周学一元一次方程，搜“一元一次方程怎么解”，系统不仅给你推了基础概念的讲解视频，还推了几个UP主做的“一元一次方程应用题趣味解题”系列，甚至还有专门针对初中期中期末的真题讲解。如果你之前搜过“物理竞赛怎么准备”，系统还会给你推往届竞赛获奖选手的经验分享、知识点拓展视频，甚至还有免费的竞赛入门课程——这些都是推荐系统帮你筛出来的，要是你自己搜，出来的结果里一半是广告，一半是过时的内容，找半小时都未必能找到合适的。现在很多学习APP的「个性化推题」功能也是基于推荐系统：你做完一套数学卷子，系统根据你做错的题型，给你推同类型的练习题，不用你自己整理错题本，效率能高好几倍。

再说说生活场景：你爸妈用的购物APP、招聘APP、租房APP，背后全是推荐系统。你妈妈在买菜APP里搜过“低糖早餐”，系统接下来就会给她推适合糖尿病人的低糖食谱、无糖燕麦、低脂牛奶，甚至还会提醒她“你上周买的牛奶快喝完了，要不要再买一箱？”；你爸爸在招聘APP里填了“软件工程师”的简历，系统就会给他推符合他工作年限、薪资要求的岗位，不用他自己每天刷几百条招聘信息。就连你平时用的导航APP，推荐系统也在帮你：你每周五下午都走同一条路回家，系统发现这条路周五下午特别堵，就会提前给你推更快的路线，甚至告诉你“你常去的那家奶茶店今天搞活动，要不要绕过去买一杯？”——这些看起来“懂你”的小功能，背后都是推荐系统在起作用。

还有很多人不知道的公益场景：2021年河南暴雨的时候，抖音的推荐系统在几小时内就把当地的求助信息、救援队的实时定位、物资捐赠通道精准推给了附近的用户；还有寻亲平台用推荐系统，把失踪儿童的寻亲信息推给和失踪儿童同村、同镇的用户，很多走失多年的孩子就是通过这种方式找到了家人。疫情期间，各地的政务平台也用推荐系统，把附近的核酸检测点、疫苗接种点的实时人流量推给用户，避免大家排几个小时队白跑。

::: info 推荐系统还能做什么？ 除了上面提到的场景，推荐系统现在已经用在了这些地方：

• 政务平台：给你推你需要的社保、医保、入学政策，不用你自己在几百页的文件里找；
• 医疗平台：根据你的病史、体检报告，给你推适合你的健康科普、复查提醒；
• 环保平台：给你推你所在城市的垃圾分类指南、旧衣回收通道；
• 甚至你玩的游戏，里面的皮肤、道具推荐，好友推荐，也是推荐系统在起作用。

:::

不过话说回来，推荐系统也不是“完美天使”，它确实有很多让人头疼的毛病，这些毛病你可能早就遇到过，只是没往推荐系统身上想。

最典型的两个问题，一个是“信息茧房”，一个是“大数据杀熟”。

先说你最熟悉的“信息茧房”：你有没有过这种经历？上周你体育课要考引体向上，搜了一次“引体向上怎么练”，接下来一周你刷B站、刷抖音，全是健身UP主的教学视频，你考完试之后根本不想看健身内容，划了半天才刷到你喜欢的动漫视频；还有你上周看了一部甜宠剧，觉得特别好看，点了个赞，接下来系统就给你推了十几部甜宠剧，你明明想看点科幻片，刷了半天全是谈恋爱，气得你直接把APP关了。这就是信息茧房：系统给你推的都是你喜欢的内容，你越看什么就越给你推什么，你的视野就越窄，最后就像被关在一个茧里，看不到别的内容。

很多人觉得信息茧房全是推荐系统的锅，其实不全对。你自己也有责任：你刷到甜宠剧觉得好看，点了赞，系统当然以为你喜欢看，就会多给你推；你刷到科幻片觉得没意思，立刻划走，系统当然以为你不喜欢，就少给你推。你自己在主动给系统“喂”你喜欢的内容的信号，系统只是按照你的信号给你推内容而已。当然，现在平台也在优化这个问题：比如抖音现在如果你连续刷了10个同类型的内容，系统会自动给你推一个不同类型的内容，避免你一直陷在同一个类型里；你还可以主动点内容旁边的“不感兴趣”“减少此类内容”按钮，系统就会立刻调整，减少给你推这类内容。

::: tip 怎么主动打破信息茧房？ 其实很简单，只要你不被动接受推荐，主动探索就行： 1. 不想一直看某类内容，就主动点「不感兴趣」，比划走有用10倍； 2. 想拓展兴趣，就主动去搜你想了解的新内容，比如你天天看搞笑视频，就主动搜“科普搞笑视频”，看几个点个赞，系统很快就会给你推更多类似的内容； 3. 不要只刷推荐页，偶尔去翻翻平台的分类板块，比如B站的“知识区”“科技区”，抖音的“同城”“热点”板块，主动找新内容看，比被动接受推荐更能拓展视野。 :::

另一个更让人头疼的问题是“大数据杀熟”：你有没有过这种经历？和爸妈一起订酒店，同一个房间、同一个时间，你的手机显示800块，你爸妈的手机显示1000块；和朋友一起买视频会员，新用户首月只要9块，你续费的时候要25块；甚至你常点的那家外卖，你点得越多，配送费越贵，满减越少。这就是大数据杀熟：系统通过你的消费数据，知道你对某样东西的需求很高，不会因为贵就放弃购买，就故意给你定更高的价格。

当然，大数据杀熟不是推荐系统的本意，是部分商家滥用用户画像数据，把推荐系统变成了“杀熟工具”。现在国家已经出台了相关规定，明确禁止大数据杀熟，违者最高可罚5%的年营业额，去年就有某旅行APP因为对老用户定更高的酒店价格，被罚了40多万。你如果遇到大数