1. 推荐系统概述：商业价值、核心问题与评价指标
大家好，欢迎来到《实时推荐平台架构设计精讲》。我是这门课的主讲。今天咱们先聊聊推荐系统最基础的东西——它到底值不值得做？核心要解决什么问题？以及怎么判断做得好不好？
说实话，我见过不少团队，一上来就追热点，什么深度学习、图神经网络，结果业务指标纹丝不动。为什么？因为连推荐系统的基本盘都没想清楚。所以这一章，咱们先把地基打牢。
1.1 推荐系统的商业价值
推荐系统不是摆设，它是实打实的印钞机。你想想看，一个用户打开你的App，面对海量商品，他凭什么点进去？靠搜索？那得他明确知道自己要什么。但大多数时候，用户是茫然的。这时候推荐系统就派上用场了——它帮用户做决策。
我在电商平台做过一个项目，上线个性化推荐后，首页点击率提升了37%，转化率提升了22%。这不是个例。我给大家列几个核心价值点：
- 提升用户粘性：用户每次打开都能看到感兴趣的内容，停留时长自然就上去了。
- 增加交叉销售：买了手机的人，你给他推个手机壳，他大概率会买。这叫“买了又买”。
- 挖掘长尾价值：热门商品不愁卖，但冷门商品呢？推荐系统能把它们精准推给需要的人。
- 降低用户流失：用户觉得你懂他，他就不会轻易走。
核心观点：推荐系统的本质是“信息过滤+需求匹配”。它把对的商品，在对的时间，用对的方式，推给对的人。
我记得有一次和产品经理吵架，他说推荐系统就是“猜你喜欢”。我说不对，猜你喜欢只是手段，最终目的是让用户“买你喜欢”。一字之差，商业逻辑完全不同。
1.2 推荐系统的核心问题
推荐系统看起来简单，不就是“用户-物品-匹配”吗？但真正落地的时候，你会发现一堆坑。我把它归纳为三个核心问题：
1.2.1 数据稀疏性
用户和物品的交互矩阵，99%都是空的。一个用户可能只买过几十件商品，但平台上有几百万件。你怎么从这么稀疏的数据里找到规律？
举个例子，你给一个用户推荐了10件商品，他只点击了1件。那剩下的9件，是他不喜欢，还是没看到？你根本不知道。这就是数据稀疏带来的“反馈缺失”问题。
1.2.2 冷启动
新用户来了，没有历史行为，你推什么？新商品上架了，没人买过，你怎么知道它适合谁？
我曾经在一个视频平台遇到过极端情况：一个新用户注册后，系统给他推了《甄嬛传》，结果他直接卸载了App。后来一查，他是个60岁的大爷，喜欢看抗战剧。这就是冷启动没做好。
1.2.3 实时性
用户的兴趣是变化的。他今天喜欢看篮球，明天可能就喜欢看足球了。你拿昨天的数据推今天的商品，大概率是错的。
我建议把实时性分成三个层次：
- 准实时：分钟级更新，比如用户刚点了一个商品，几分钟后推荐列表就变了。
- 近实时：小时级更新，适合新闻、短视频这类时效性强的场景。
- 离线：天级更新，适合电商、电影这类相对稳定的场景。
避坑指南：我曾经在做一个新闻推荐项目时，用了离线模型，结果用户早上看的新闻，到晚上还在推。用户直接投诉说“你们是不是觉得我失忆了？”从那以后，我所有推荐系统都至少做到准实时。
1.3 推荐系统的评价指标
推荐系统做得好不好，不能光靠感觉。得有指标。但指标也不是越多越好，关键是要和业务目标对齐。
我把指标分成三类：
| 指标类别 | 典型指标 | 说明 |
|---|---|---|
| 用户参与度 | 点击率(CTR)、停留时长、转化率 | 用户是否愿意和推荐内容互动 |
| 推荐质量 | 准确率、召回率、NDCG、覆盖率 | 推荐结果是否精准、多样、新颖 |
| 业务收益 | GMV、广告收入、用户留存率 | 推荐系统最终给公司赚了多少钱 |
这里我重点说一下 NDCG。它衡量的是推荐列表的排序质量。比如你推荐了10件商品，用户真正喜欢的是第3件，但你把它排在第10位，那NDCG就会很低。说白了，它惩罚“好商品排后面”的情况。
还有一个容易被忽视的指标——覆盖率。覆盖率太低，说明推荐系统只盯着热门商品推，冷门商品永远没机会。我见过一个极端案例，某平台的推荐覆盖率只有5%，也就是说95%的商品从来没被推荐过。那这个推荐系统基本是废的。
注意：不要只看单一指标。比如你只优化CTR，那推荐系统会倾向于推“标题党”内容，用户点进去就关，停留时长反而下降。所以一定要组合使用指标。
1.4 推荐系统的知识体系
说了这么多，咱们用一张图把推荐系统的知识体系串起来。这张图会贯穿整个课程，你后面学到的每一个技术点，都能在这张图上找到位置。
这张图展示了推荐系统的三个核心模块：核心问题、评价指标和商业价值。它们之间是环环相扣的——商业价值驱动你去做推荐系统，核心问题决定了技术选型，评价指标则告诉你做得怎么样。