随着信息技术和互联网的发展，人们逐步走入了信息过载（Information Overload）的时代。在这个时代，无论是信息的消费者还是生产者都遇到了很大的挑战：消费者如何在大量信息中找到感兴趣的内容？生产者如何让自己生产的产品脱颖而出，受到广泛用户关注？
推荐系统（Recommendation Systems）就是解决这一矛盾的重要工具。推荐系统的任务是连接用户和信息，一方面帮助用户发现对自己有价值的信息，另一方面让信息展现在对它感兴趣的用户面前，从而实现消费者与生产者的双赢。为了实现这个目标，推荐系统通过挖掘用户的行为，研究和理解用户的兴趣，定位用户的个性化需求，并从中找到其与内容或应用的关系。推荐系统的兴起与发展体现了现代互联网公司孜孜追求的用户核心价值所在——个性化服务。
“如果我的网站有一百万个顾客，我就应该有一百万个商店。”
——›亚马逊创始人兼首席执行官Jeff Bezos
一
推荐系统的发展分为三个阶段
推荐技术发展至今已有超过20年的时间，随着计算机技术的进步，尤其是大数据带来的变革，使得推荐系统对用户的深刻理解成为可能。而随着人工智能的进一步发展，未来将成为一个由数据驱动、由算法定义的世界，自动化将接管越来越多的工作，推荐业务也将成为智能化社会的一个子集。总结推荐系统的演进轨迹与趋势，我们认为推荐系统的发展可以分为以下三个阶段：
人工/编辑推荐阶段：PC时代门户类网站的推荐方式。栏目和频道已经设置好，编辑根据数据分析和用户喜好来制定栏目推荐的内容，推荐质量取决于编辑的水平。该阶段的主要特征是：制定用户/商品标签、分析业务平台数据、编制推荐内容列表的工作，全部由人工来完成。
自动化推荐阶段：随着人工推荐的积累，低价值的工作让系统完成，IT系统实现自动化，但用户和商品的标签需要人工进行数据训练和提取。该阶段的主要特征是：系统自动完成数据采集/模型运算，运营人员进行模型算法调优和商品/用户标签的优化。
智能化推荐阶段：当自动化系统替代越来越多的人力工作，社会将进入智能化时代，而智能化推荐作为其子集，其主要特征是：场景自动扩展、模型算法的机器学习、程序化的训练（自动丰富用户标签和商品标签）。我们认为，在推荐系统向智能化不断演进的过程中，将会呈现出以下三个趋势：
二
融合而非创新：推荐技术的“葡萄体系”
智能推荐的理论基础来源于人工智能，而在所应用的技术方面，则不断利用最新的计算机技术成果，组合形成一个庞大的技术体系。
我们将智能推荐所应用的技术集合形象归纳为“葡萄体系”。正如整簇葡萄由多个分支的葡萄串组成，“葡萄体系”中包含大数据、方法模型、社交应用、运营应用等多个“子技术体系”。由于“葡萄体系”中的各个“子体系”均来自于其他领域的技术成果，因此，智能推荐实现的是技术上的融合（组合），而非创新。
图1：推荐技术的“葡萄体系”
三
Smart还是Intelligent?
推荐领域的发展已到达哪个阶段？当前的推荐系统能做到Smart（聪明）还是Intelligent（智能）？回答这些问题，能帮助我们更好地理解影响推荐系统有效性的关键因素。
首先，我们需要一个关于智能程度（Smart/Intelligent）的判断标准：我们认为Smart是一个小范围的概念，是在相对局限的领域、依据特定算法模型进行计算的自动化推荐；而Intelligent是能够捕捉所有场景，并在场景中深度学习和完善的智能化推荐。
从推荐领域的当前发展来看，尽管行业实践中的推荐系统算法和模型已相对丰富，但是自训练机制仍然薄弱。显然，当前推荐系统的发展只达到了Smart的标准，复杂的系统算法和模型并不能解决所有的问题，一个真正能够帮助我们改善业务的推荐系统离不开高价值的人力工作。
“在（推荐）算法的不断匹配中，互动的过程超过一定数量级，它就将应对于各种场景， 越来越精确，匹配度越来越高。”
——搜狗首席执行官王小川
四
为推荐系统赋予思想
推荐系统的三层体系自下而上包括推荐数据层、推荐处理层以及推荐应用层。从整个三层推荐体系来看，推荐数据及推荐处理两个层面的模型算法和核心技术同质化，因此推荐体系的关键环节在于推荐应用层面。目前，由于主流推荐系统仍处于Smart标准的自动化推荐阶段，因此运行过程中仍离不开运营人员的高价值工作，其中主要包括以下两项核心内容：
五
推荐的核心是运营而非技术
优秀的推荐系统不仅依托于产品本身，更依托于外部环境的交互，体现的是人工智能理论中的行为主义。当前最先进的推荐系统属于互联网公司，其互联网思维也深刻地体现在推荐系统的设计和运营理念当中。基于互联网思维的推荐系统运营，第一步会从技术角度分析产品内在数据，第二步采取分析外部大数据，第三步建立面向大众的快速试错和效果反馈机制，第四步则将要组建专家分析团队和推荐系统运营团队。
在这个链条的前两个环节中，由于推荐领域所应用的技术均来自于最新的计算机技术成果，并无独有的推荐技术上的创新，因此，技术并非推荐领域的竞争壁垒。实际上，正如前文所讲，由于当前推荐系统自训练机制较为薄弱，远未达到真正Intelligent的水平，因此推荐系统仍需要依靠专家分析/运营团队来赋予更加丰富成熟的环境交互和用户交互能力，运营也就必然成为推荐业务的基础和核心。
六
推荐领域的行业实践
互联网公司在推荐领域已有十几年的探索与实践经验。Google通过搜索、邮箱、地图、浏览器、Google Now等多项服务，可使用大量用户数据到推荐系统中，对用户行为习惯和喜好分析有着深刻的理解，推荐也更有效。
以Google Play的推荐系统为例，其整体页面的构建均以业务推荐为核心；大部分栏目都应用了推荐能力，通过“栏目+内容动态排列”，实现了差异化的内容呈现：不同用户看到的内容有60%-70%的差别、前后两次启动也会呈现不同内容。
图2：Google Play新老用户推荐区别示例
七
推荐业务在电信行业的应用
推荐在运营商业务领域的应用更加广泛：电信运营商的商品品类对比电商来说少很多，目前可应用推荐系统的主要有基于电子渠道销售的业务、流量叠加包、自有增值业务等，但实际上，运营商对推荐能力的应用范围可以更广。因为推荐系统采集的不仅仅是商品的信息，也包括很多用户行为信息，推荐系统积累的是对用户行为偏好的理解。拥有这些用户数据以及应用数据的能力，电信运营商可更有效地向互联网和服务领域跨界、渗透、扩张。以在线教育作为例子，国内某运营商借助一款家校互动产品，积累了很多线下学校资源以及学生家长的详细数据信息，若能结合推荐系统，向家长和学生精准推荐他们所需要的教材、课程、辅导、考试信息、学校信息等，将可极大地挖掘在线教育平台的价值。
参考文献和致谢
