What Even Is a Recommendation System? (Hint: It’s the Reason Your Feed Is So Addictive)

你有没有过这种经历：本来只想刷5分钟TikTok放松一下，结果一抬头发现40分钟过去了，你刷了20个猫meme、3个原神4.0攻略、2个K-pop翻跳，甚至还有1个“如何用A4纸做手工钱包”的视频——而你明明上周才搜过一次手工DIY？或者你打开Spotify，发现这周的Discover Weekly里10首歌里有8首你都忍不住点了收藏，甚至怀疑是不是Spotify偷偷装了监控软件在你手机里？如果你刷B站的时候刚看完“2024年四月新番导视”，首页立刻弹出你最期待的《迷宫饭》先行预告，甚至还有UP主做的“《迷宫饭》原作漫画剧情解析”，你还没点进去看它就已经推到你脸上了，那你肯定也和我一样，无数次在心里嘀咕过：这算法是不是偷看我手机了？

如果你有过这些经历，恭喜你，你已经和推荐系统打过无数次交道了，而且你已经被它“拿捏”得死死的。别慌，今天我们就来把推荐系统这件“神秘事”彻底扒明白，保证你看完之后再也不会觉得它是啥黑魔法，甚至会觉得“哦，就这啊，我也会做”。

首先，到底啥是推荐系统？

简单到离谱：推荐系统就是一个“超级记性好的工具人”，它的工作只有一个：记住你喜欢啥，然后给你推更多你喜欢的。 你每天用的所有内容APP里，你刷到的每一条视频、每一首歌、每一部剧，甚至电商APP里你看到的每一个商品，几乎都是它给你挑好的。

我们可以把推荐系统类比成你那个混了三四年的死党：你俩天天待在一起，你喜欢吃辣、喜欢猫、喜欢玩原神、追NewJeans，这些喜好他都门儿清，哪天你俩一起出去吃饭，他不用问就直接给你点你爱吃的辣子鸡，逛商店的时候随手给你递一个你上次说过想要的猫周边，你会觉得“哇他好懂我”，但其实他只是记性好而已，不是什么读心术。推荐系统就是这个死党，只不过它记的东西更多、更快，而且它手里有几亿个内容可以给你挑。

你肯定见过推荐系统的各种“马甲”：TikTok的For You Page（为你推荐页）、Spotify的Discover Weekly（每周新发现）、Netflix的“猜你喜欢”“更多类似内容”、B站的首页推荐、淘宝的“你可能还喜欢”、甚至你刷朋友圈的时候偶尔跳出来的广告，全是推荐系统的杰作。甚至有数据说，Netflix上80%的用户观看内容都是推荐系统推的，Spotify的Discover Weekly功能上线后，付费用户直接涨了10%——你喜欢的歌单、刷到停不下来的视频，一半以上的功劳都是它的。

打破第一个误区：算法不是黑魔法，就是个记性好的工具人

很多人对推荐系统的印象还停留在“硅谷工程师写的读心术代码”“大数据杀熟”“算法比我妈还懂我”，甚至觉得它是某种神秘的高科技产物，普通人根本搞不懂。放屁（哦对，这里可以口语化一点，符合青少年的语境），它就是个工具，和你用来记单词的APP、用来算数的计算器没本质区别，只是它的工作内容是“记你的喜好，给你推内容”。

我们来看个最简单的例子：你昨天刷了5个猫meme视频，每一个都看完了，还给其中3个点了赞，甚至关注了发那个翻跟头猫视频的UP主。推荐系统就会把这些行为全部记下来，给你打上一堆标签：“喜欢猫meme”“喜欢萌宠内容”“关注萌宠UP主”，然后去平台的内容池里找所有带“猫”“萌宠”“meme”标签的视频，再给你打分排序，把最可能让你喜欢的排在前面，推到你首页。就这么简单，没有读心，没有魔法，就是“记行为→打标签→匹配内容→排序推送”这套流程，循环往复。

你可能会问：那我上次搜了一次“怎么瘦腿”，接下来三个月全平台给我推减肥药、防脱洗发水，这也太离谱了吧？这也能叫“懂我”？当然不是，这时候要么是算法记错了，要么是平台故意给你推的，我们后面会详细讲为啥会出现这种离谱推荐，但先记住：算法不会读心，它只会根据你给它的“信号”来判断你的喜好，你给它的信号错了，它就会给你推错的东西。

推荐系统的三大核心任务，5分钟就能懂

不管多复杂的推荐系统，核心逻辑都逃不开这三个任务，我们用你刷TikTok的例子来讲，保证你看一遍就忘不掉：

任务1：记住你的所有喜好，比你自己的记性还好

这是推荐系统的基础工作，它会把你所有和平台交互的行为全部记下来，小到你看了一个视频看了多久、划走的时候快还是慢，大到你的搜索关键词、点赞收藏、关注列表、甚至你评论里提到的内容，它都记。我们可以把这些行为分成三类，权重从高到低： 1. 强信号（权重最高）：你点赞、收藏、关注、看完一个视频、把一首歌加到歌单、买了某个商品，这些行为说明你真的很喜欢，算法会给你打“超级喜欢”的标签，权重加到最高。 2. 中信号（权重中等）：你在某个视频下面评论、搜了某个关键词、把一个视频分享给朋友、在某个页面停留超过10秒，这些说明你至少有点兴趣，算法会给你打“可能喜欢”的标签。 3. 弱信号（权重最低）：你划走一个视频的速度、你跳过某个广告、你点了“不感兴趣”“减少此类内容”，这些说明你不喜欢，算法会给你对应的标签打负分，下次少推。

举个例子：你看一个15秒的猫meme，看了10秒就划走了，算法就会记“这个用户对这个猫meme兴趣不大，给猫meme标签减1分”；如果你看完了还点赞了，算法就会记“这个用户喜欢这个猫meme，给猫meme标签加10分，给这个用户打上‘喜欢猫meme’的标签”；如果你点关注了发这个视频的UP主，那算法直接给你这个UP主的内容打满分，只要他更视频，第一时间推给你。

这里有个很有意思的小细节：算法甚至能根据你划走视频的速度判断你的喜好。比如你刷到一条美食视频，0.5秒就划走了，算法就知道你肯定不喜欢美食内容；如果你刷到一条猫meme，看了8秒才划走，算法就知道你可能对这类内容有点兴趣，下次多推点试试。是不是比你妈观察你还仔细？

任务2：从几亿个内容里，先筛掉你肯定不会喜欢的

现在的平台内容池有多大？TikTok的短视频存量超过100亿条，每天新增500万条；B站的视频存量超过10亿条，每天新增10万条；Spotify的歌曲存量超过1亿首。算法不可能把这100亿条视频全给你推一遍，那得刷到下辈子去，所以它的第二步就是先“筛掉你肯定不喜欢的”。

怎么筛？就用你之前的标签。比如你从来没看过美妆视频，哪怕美妆视频再火，算法也会先把所有美妆视频给你筛掉，不用浪费时间给你推；如果你从来没看过霸总剧，算法也会先把所有霸总剧筛掉，省得你烦。筛完之后，剩下的内容大概只有几千到几万条，都是你可能感兴趣的，再进入下一步打分排序。

任务3：给剩下的内容打分，排好序推给你

筛完之后剩下的几千条内容，算法会给每一个都打一个分数，分数越高的，排得越靠前，你首页看到的就是排在前10-20条的内容。打分的维度通常有这几个，我们用人话讲，不用记专业术语： 1. 匹配度（占60%权重）：这个内容和你的喜好匹配度高不高？比如你上周点赞了5个科幻电影解说，这个新的科幻解说和你点赞过的内容匹配度越高，分越高。 2. 受欢迎程度（占20%权重）：这个内容火不火？点赞多不多、评论多不多、转发多不多？火的内容分更高，因为大概率质量不错，大家都喜欢。 3. 新鲜度（占10%权重）：这个内容是不是新发的？越新的内容分越高，因为大家都喜欢看新鲜的，没人愿意看三年前的老视频。 4. 亲密度（占10%权重）：这个内容是不是你关注的UP主/歌手发的？如果是你关注的，分直接加满，排在最前面。

把这四个维度的分加起来，排好序，前20条就是你刷到的首页内容。你看，是不是比你期中考试算总分还简单？

我们可以用一张流程图把这三个任务串起来，你一看就懂： ```mermaid graph LR A[收集你的所有行为数据] --> B[从平台内容池筛选你可能感兴趣的内容] B --> C[给每个候选内容打分排序] C --> D[把排序后的内容推到你首页] D --> A[你点击/点赞/划走/评论，数据回到收集环节，循环往复] ``` 这张图不管是印在纸书里，还是在电子版里看，都能一眼明白推荐系统的工作流程，甚至你可以拿这张图去跟你同学科普，保证他们觉得你懂得很。

推荐系统的两种主要类型：要么按你的口味推，要么按跟你一样口味的人喜欢啥推

你可能会问：算法怎么知道啥内容和我的喜好匹配？啥内容算火？这里就涉及推荐系统的两大核心类型，我们用人话讲，绝对不整听不懂的术语：

类型1：基于内容的推荐——你喜欢吃辣，就一直给你推辣锅

这种推荐逻辑最简单：你上次点了辣子鸡，它就给你推更多辣子鸡、毛血旺、麻辣香锅，反正就是跟你上次喜欢的差不多的东西。比如你喜欢看猫meme，它就给你推更多猫meme；你喜欢听NewJeans的歌，它就给你推更多K-pop清新风的歌；你喜欢看科幻电影，它就给你推更多科幻电影、科幻解说、科幻周边。

这种推荐的好处是“稳”，肯定不会给你推太离谱的东西，坏处是容易让你陷入“信息茧房”：你天天看猫meme，它就天天给你推猫meme，你永远刷不到别的类型的内容，慢慢就会觉得“全世界都是猫meme”，视野越来越窄。

类型2：协同过滤推荐——你朋友爱吃的店，大概率你也爱吃

这种推荐逻辑是“找跟你口味一样的人，看他们喜欢啥，就给你推啥”。比如算法发现，有10000个用户和你一样：喜欢看《间谍过家家》、喜欢玩原神、喜欢听K-pop、喜欢看萌宠视频，最近这10000个人都点赞了一个新的国产动画《中国奇谭》，算法就会猜：“你和这10000个人口味差不多，你应该也喜欢这个动画，给你推上去。”

这种推荐的好处是能帮你找到你之前没发现的、但肯定会喜欢的内容，比如你从来没听过一个冷门的 indie 乐队，但跟你口味相似的1000个人都喜欢，算法就会给你推，帮你挖到宝。坏处是如果跟你口味相似的人喜欢的都是霸总剧，那它也会给你推霸总剧，哪怕你根本不喜欢。

现在的推荐系统基本都是这两种类型结合着用，比如TikTok的For You Page，70%的内容是基于你的喜好推的，30%的内容是探索性的，就是试探你喜欢啥新类型，要是你喜欢，下次就多推，要是不喜欢，就少推，平衡“稳”和“惊喜”。

我们可以再用一张Mermaid图把这两种类型讲清楚： ```mermaid graph TD A[推荐系统] --> B[基于内容的推荐] A --> C[协同过滤推荐] B --> B1[逻辑：你喜欢A，就给你推更多类似A的内容<br>例子：你喜欢猫meme，推更多猫meme] C --> C1[逻辑：跟你口味相似的人喜欢B，就给你推B<br>例子：跟你一样喜欢猫meme的人都喜欢这个新的猫视频，给你推] ```

为什么推荐系统总是给你推离谱的东西？三大原因给你讲明白

你肯定遇到过这种情况：你搜了一次“怎么扎高马尾”，接下来三个月全平台给你推“秃头怎么办”“防脱洗发水推荐”；你看了几个修仙小说，接下来给你推“穿越成霸总的小娇妻”；你朋友拿你手机搜了一次“怎么跟crush表白”，接下来你的首页全推“表白失败是啥体验”“恋爱技巧”。你百思不得其解：我啥时候喜欢这些了？其实不是算法疯了，是这三个原因在作祟：

原因1：算法记错了你的信号，或者你给了它错误的信号

算法不会读心，它只会根据你给它的“信号”判断你的喜好。比如你手滑点了一个“霸总剧”的视频，哪怕你看了3秒就划走了，算法也会记下来“这个用户可能喜欢霸总剧”，接下来给你推10个霸总剧，你每一个都划走了，算法就会陷入死循环：“哦，他可能只是不喜欢这几个霸总，给他换更火的霸总”，继续推，直到你点了“不感兴趣”它才会停下来。

还有可能是你忘了自己给过啥信号：比如你上个月搜过一次“露营装备”，你早就忘了，但算法记得清清楚楚，接下来三个月给你推露营

装备、露营地的预订链接、甚至露营穿搭，哪怕你