想象你走进一家巨大的百货商场，门口站着一位神采奕奕的金牌导购王阿姨。她手里永远揣着一个小本本，密密麻麻记着每位熟客的喜好：老王上次买了海竿，小李总爱囤零食，陈姐只看 500 元以上的羊绒衫。商场里有十万种商品，她不可能挨个介绍，但她总是能精准地在你路过时递上“你正想要”的那件东西。你不是她的亲戚，她也没读心术——她靠的是日积月累的观察、对比，以及一套刻在脑子里的“看人下菜碟”心法。 电商推荐系统，就是这位在数据海洋里练就火眼金睛的“数字王阿姨”。淘宝的“猜你喜欢”、京东的“为你推荐”、拼多多的“砍一刀”，背后都是一套庞大的算法引擎：它记录你点过什么、买过什么、停留过多久，和谁品味相似，什么样的商品长什么样，然后从亿级商品库中迅速划拉出几个候选，再精挑细选排好序送到你眼前。今天，我们就一起把这套“导购心法”拆开看明白——从它怎么记住你，到怎么组织一场十亿人同时购物的超级大促。

岗位关联

掌握推荐系统原理，是进入大厂电商算法团队、内容平台增长部门的核心敲门砖，也是理解用户增长、商业化变现全链路的关键能力。

目录
  1. 可视化演示
  2. 推荐系统概述
  3. 协同过滤原理
  4. 内容推荐算法
  5. 召回排序架构
  6. 深度模型应用
  7. 系统架构设计
  8. 平台实践对比
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

演示电商推荐三阶段架构（召回→排序→重排）、多路召回策略融合、冷启动探索利用平衡，交互切换查看各阶段候选商品筛选过程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

三阶段漏斗架构 召回：从百万商品筛选千级候选 排序：精排模型打分排序 N_recall≫N_rank≫N_final 逐级缩小候选集提升推荐精度

推荐系统概述

商场里，王阿姨的 KPI 从来不是“把东西卖出去就算赢”。她心里有本账：今天商场进客一千人，她在推荐位总共和客人聊了五千次，其中三百次客人真的停下来看了，最后六十次掏了钱。这层层折算下来，就是推荐系统的“导购漏斗”。

在电商系统里，这套漏斗有严格的名字：商品被“曝光”到用户屏幕上的次数、被“点击”的次数、最终“成交”的笔数、以及每笔的“客单价”。推荐系统的第一课，就是学会用这几个数字衡量自己干得好不好。其中 CTR（点击率）是最直观的体检指标——它回答“王阿姨推荐的东西，客人到底爱不爱看”。

CTR 只是第一层。真正做推荐系统的人还会盯转化率（点击后下单比例）、GMV（成交总额）和用户留存——因为王阿姨真正想要的不是让客人多看两眼，而是让客人满意地买东西，下次还愿意来。业务目标决定了算法优化的方向，这是所有推荐工程的第一步。

CTR=点击次数曝光次数\displaystyle \text{CTR} = \frac{\text{点击次数}}{\text{曝光次数}}
点击率越高，说明推荐位上的商品越能抓住用户目光，但还要配合成交数据一起看。
  1. 点击次数用户看到推荐商品后真正点进去查看的次数。就像客人停下脚步接过王阿姨递来的商品端详。
    点击次数\text{点击次数}
  2. 曝光次数推荐位把商品展示给用户的总次数。相当于王阿姨把商品举到客人面前的总次数。
    曝光次数\text{曝光次数}
  3. 两者相除点击占总展示的比例。比值越大，说明推荐越来越“懂”你。
    点击次数曝光次数\frac{\text{点击次数}}{\text{曝光次数}}

协同过滤原理

王阿姨的小本本里，藏着推荐系统最古老也最有效的智慧：她发现老王和小李都爱买 5.4 米的海竿，小李后来又买了同品牌的鱼线，于是她下次见到老王时，顺手就把鱼线推荐了出去。这叫“人以群分，物以类聚”——她并不需要懂钓鱼，只需要知道“老王像小李”就够了。

这个思路在算法里叫协同过滤。它分两大流派：UserCF（用户协同）找与你行为相似的用户，他们买过的你没买过的商品，就是候选；ItemCF（物品协同）找与你买过的商品相似的其他商品——注意，这里的“相似”不靠商品长得像，而是靠“买手机的人大多也买手机壳”这样的行为共现。两者都建立在用户-物品行为矩阵之上，用余弦相似度等度量来计算“谁像谁”。

协同比重的进阶版是矩阵分解：把巨大的用户-物品矩阵压成两个矮胖矩阵，用隐向量表示“用户喜欢什么调性”和“商品是什么调性”。但协同过滤有个天生短板——冷启动：新用户没有行为记录，新商品没有购买记录，王阿姨的小本本上一片空白，再好的心法也使不出来。

sim(u,v)=∑i∈Iuvrui⋅rvi∑i∈Iuvrui2⋅∑i∈Iuvrvi2\displaystyle \text{sim}(u,v) = \frac{\sum_{i \in I_{uv}} r_{ui} \cdot r_{vi}}{\sqrt{\sum_{i \in I_{uv}} r_{ui}^2} \cdot \sqrt{\sum_{i \in I_{uv}} r_{vi}^2}}
这个公式把两个用户的行为看成两个向量，夹角的余弦值越接近 1，说明两人的购物口味越相近。
  1. 共同行为集合 $I_{uv}$用户 u 和用户 v 都买过或评过分的那批商品。王阿姨只会比较两位客人都逛过的柜台，否则没有可比性。
    IuvI_{uv}
  2. 评分 $r_{ui}$ 与 $r_{vi}$两个用户各自对共同商品 i 的行为强度（比如隐式反馈用 1 表示购买，显式反馈用 1-5 分）。
    rui,rvir_{ui}, \quad r_{vi}
  3. 分子求和把两人在所有共同商品上的“行为共鸣”累加起来，共鸣越强得分越高。
    ∑i∈Iuvrui⋅rvi\sum_{i \in I_{uv}} r_{ui} \cdot r_{vi}
  4. 分母归一化除以各自的向量长度，防止“买得多的人天然像所有人”的偏差。
    ∑i∈Iuvrui2⋅∑i∈Iuvrvi2\sqrt{\sum_{i \in I_{uv}} r_{ui}^2} \cdot \sqrt{\sum_{i \in I_{uv}} r_{vi}^2}

内容推荐算法

遇到完全不认识的新顾客，王阿姨靠什么开场？她靠“看人下菜碟”的底层能力——打量你的年龄穿着、说话口音，判断你可能属于哪个圈层，再推荐对应的商品。这就是基于内容的推荐：它不依赖任何人的购买历史，只依赖“商品有什么特征”和“用户偏好什么特征”。

商品特征被整理成一张物品画像：品类、品牌、价格带、风格、适用人群、上架时间。用户一侧则根据其历史行为和主动填写的资料构建用户画像：偏好数码、价格敏感度中等、送人需求高。两者都以“特征向量”的形式存储，推荐就变成了算向量之间的匹配度——把商品画像里每一项权重与用户画像里对应项的偏好相乘再累加，分数高的胜出。

特征提取是内容推荐的灵魂。文本类商品用 TF-IDF 抽取关键词，图片类商品用视觉模型提取风格，结构化商品则直接拼接类目和属性。内容推荐的最大价值恰恰是解决协同过滤的冷启动——新商品只要上线就能靠画像被推荐，王阿姨第一次见新顾客，也能照样聊得有来有回。

score(u,i)=∑k=1nwu,k⋅wi,k\displaystyle \text{score}(u,i) = \sum_{k=1}^{n} w_{u,k} \cdot w_{i,k}
这个打分公式就是“王阿姨的心算过程”：每一项特征是商品的一个特性，用户偏好与特性越契合，得分越高。
  1. 特征维度总数 $n$画像里一共用了多少个特征，比如品类、品牌、价格、材质等。
    nn
  2. 用户偏好权重 $w_{u,k}$用户 u 对第 k 个特征的偏好强度，来自历史行为统计。
    wu,kw_{u,k}
  3. 商品特征取值 $w_{i,k}$商品 i 在第 k 个特征上的取值，比如品牌是否为用户常买的品牌。
    wi,kw_{i,k}
  4. 累加求和把每一维的“用户偏好 × 商品特征”加起来，就得到匹配分。
    ∑k=1nwu,k⋅wi,k\sum_{k=1}^{n} w_{u,k} \cdot w_{i,k}

召回排序架构

十万种商品，王阿姨不可能件件细细端详。她的经验是：先扫一圈货架，凭直觉迅速划拉出百来件“这人可能看得上的”——要投其所好地混搭热点；然后才在这一堆里逐件掂量，把最合意的排在最前头。推荐系统的工程架构，就是把这个“扫货”和“掂量”拆成了两个阶段：召回和排序。

召回层讲究快和全，必须用多路策略并行从亿级商品池捞出几百到几千个候选：热门召回保底、协同召回抓住相似口味、内容召回覆盖新商品、地域召回配合同城。各路结果做去重和粗筛后，进入排序层，由更精细的模型给每个候选打分——最常见的是 CTR 预估模型，用逻辑回归把特征组合映射成“用户会点吗”的概率，按概率从高到低排出一串推荐位。

排序层不只看点击概率，还要叠加多样性控制：同一个类别最多出现几个、价位段要错开、昨天看过的今天别再霸屏。毕竟王阿姨再笃定你爱钓鱼，也不会一口气给你递十根鱼竿——她会夹带一盒新口味的饼干，让你觉得这推荐“有点懂我”。

y^=σ(wTx)=11+e−wTx\displaystyle \hat{y} = \sigma(\mathbf{w}^T \mathbf{x}) = \frac{1}{1 + e^{-\mathbf{w}^T \mathbf{x}}}
逻辑回归像一个带刻度的弹簧秤：把用户、商品、场景的各种特征加权汇总，再压到 0 到 1 之间，就是点击概率。
  1. 特征向量 $\mathbf{x}$拼装好的特征，包括用户历史点击、商品类目价格、当前时段等。
    x\mathbf{x}
  2. 权重向量 $\mathbf{w}$每个特征对点击的影响权重，由训练数据学习得到，王阿姨的“各条心法”。
    w\mathbf{w}
  3. 线性加权 $\mathbf{w}^T \mathbf{x}$把每个特征取权重乘积再相加，得到原始得分。
    wTx\mathbf{w}^T \mathbf{x}
  4. Sigmoid 压缩把任意实数得分压到 [0,1] 区间，解释为点击概率。
    σ(z)=11+e−z\sigma(z) = \frac{1}{1 + e^{-z}}

深度模型应用

王阿姨年轻时只会记“老王爱钓鱼”这种死理；干了十几年，她练就了一双火眼金睛——看老王搓着手机叹气，就知道他八成在等鱼情更新，顺手推荐个钓鱼直播比推鱼竿还管用。这种“从微妙信号里读出深层意图”的本事，对应的是推荐系统里的深度学习模型。

深度模型的第一步叫 Embedding（嵌入表示）：把用户和商品都映射成几百维的稠密向量，向量空间里的距离就意味着“调性接近”。在此基础上，Wide&Deep 模型是工业界的经典骨架——Wide 侧像王阿姨的“死记硬背”，记住“买过 iPhone 的人常买 AirPods”这类高频强规则；Deep 侧像她的“举一反三”，通过多层神经网络自动挖掘没人教过的隐性关联。注意力机制（如 DIN 模型）则让模型动态聚焦用户历史上最相关的那些行为，而不是平均看待。

此外，特征交叉（如 FM、DeepFM）让模型自动理解“24 岁女性在晚上看到美妆商品”这类组合信号的协同作用。深度模型的成长空间在于数据规模和算力，这也是为什么大厂推荐系统越来越“重”，但效果也确实越来越“懂你”。

y^=σ(wwideTxwide+wdeepTa(L)+b)\displaystyle \hat{y} = \sigma\left(\mathbf{w}_{wide}^T \mathbf{x}_{wide} + \mathbf{w}_{deep}^T \mathbf{a}^{(L)} + b\right)
Wide&Deep 的最终输出：一边用宽模型抓住强烈信号，一边用深度网络捕捉复杂模式，两股力量合流，得出最终点击概率。
  1. Wide 侧 $\mathbf{w}_{wide}^T \mathbf{x}_{wide}$输入交叉特征（如“男性+数码”），用线性层记住高频共现规则。
    wwideTxwide\mathbf{w}_{wide}^T \mathbf{x}_{wide}
  2. Deep 侧 $\mathbf{a}^{(L)}$原始特征经过多层神经网络后得到的最后一层隐藏向量，蕴含高阶语义。
    a(L)\mathbf{a}^{(L)}
  3. 可学习参数 $\mathbf{w}_{deep}$ 与 $b$深度侧输出层的权重与偏置，把隐向量折算成对点击的贡献。
    wdeepTa(L)+b\mathbf{w}_{deep}^T \mathbf{a}^{(L)} + b
  4. Sigmoid 输出两侧加和再过 $\sigma$，得到最终点击概率用于排序。
    σ(⋅)\sigma(\cdot)

系统架构设计

王阿姨的推荐能力再强，也离不开商场背后的整套管理机器：仓库里的畅销排行榜是离线统计，每天关门后更新；对讲机里仓库调货师傅是实时响应，客人在柜台犹豫时立刻查库存；她手边的小抄卡片是缓存层，最热门的推荐话术不用现想。电商推荐系统也分这么三层。

离线训练层：每天定时用全量日志训练模型、更新用户画像和物品画像、预计算热门榜单，产出“王阿姨的每日功课”。实时计算层：用户在页面上的每一次滑动、加购，都通过消息队列流入，触发实时召回和特征更新——比如你刚搜了“帐篷”，下一个推荐位立刻出现户外用品，这是离线层做不到的。缓存与服务层：用 Redis 等组件缓存热门推荐结果和模型参数，保证用户在几十毫秒内看到结果，毕竟王阿姨介绍商品不能让人等半天。

系统架构还讲究场景适配：首页“猜你喜欢”偏重个性化广撒网，搜索结果页需要相关性和新鲜度，购物车页则要做价格与优惠的敏感平衡。一个成熟的推荐中台会把数据、模型、服务抽象成统一能力，像王阿姨在不同柜台前自动切换话术一样，对每个场景输出不同的策略组合。

Coverage=∣Irec∣∣I∣\displaystyle \text{Coverage} = \frac{|I_{\text{rec}}|}{|I|}
覆盖率衡量系统是否只盯着头部爆款：推荐覆盖的商品种类占全量商品的比例越大，长尾商品越有机会见到用户。
  1. 已推荐商品集 $I_{\text{rec}}$过去一段时间里系统至少推荐过一次的商品集合。
    IrecI_{\text{rec}}
  2. 全量商品集 $I$平台在售的全部商品，包括无数藏在深处的小众商品。
    II
  3. 集合大小 $|\cdot|$统计集合中商品的个数。
    ∣Irec∣,∣I∣|I_{\text{rec}}|, \quad |I|
  4. 比值覆盖率的数值，越接近 1 说明越多的商品有机会被展示。
    ∣Irec∣∣I∣\frac{|I_{\text{rec}}|}{|I|}

平台实践对比

三大商场的王阿姨，练的是不同的绝活。淘宝的王阿姨见多识广，手握千万种商品和十亿用户的行为数据，她的“猜你喜欢”是无限瀑布流，靠多路召回 + 深度排序不断试探你的边界；京东的王阿姨更懂“品质+物流”，她的推荐强相关会员等级和售后数据，优先推高客单价、自营正品、当日达的商品；拼多多的王阿姨则最擅长“社交+低价”，她把砍价链接当作推荐入口，用熟人关系链做信任背书，再配合极致低价爆款疯狂拉新。

三家的推荐目标也各不相同：淘宝追求 GMV 和停留时长，京东强调转化和复购忠诚，拼多多关注新用户裂变和下沉渗透。但底层逻辑都是同一个漏斗——曝光、点击、转化、客单价层层衰减，优化哪一层取决于平台的战略重点。

平台的优化策略由此展开：淘宝用实时兴趣模型捕捉大促时的冲动消费，京东用会员权益模型提升复购，拼多多用社交图算法放大裂变系数。王阿姨们各有各的算盘，但都遵循同一句话——在合适的时间、用合适的方式、把合适的商品送到合适的人面前。

GMV=曝光量×CTR×转化率×客单价\displaystyle \text{GMV} = \text{曝光量} \times \text{CTR} \times \text{转化率} \times \text{客单价}
这张公式是电商人的“军规表”：任何一个因子提升 10%，都能撬动成交总额的显著增长。
  1. 曝光量推荐位展示总次数，是流量入口的总闸门。
    曝光量\text{曝光量}
  2. CTR（点击率）曝光后产生点击的比例，考验推荐的精准度。
    CTR\text{CTR}
  3. 转化率点击后真正下单付款的比例，考验商品页与价格的吸引力。
    转化率\text{转化率}
  4. 客单价每笔成交的平均金额，考验跨类目推荐与捆绑销售能力。
    客单价\text{客单价}

AI 应用场景

场景一：双十一大促的个性化会场

阶段：召回 + 排序 + 场景适配

解决的问题：大促期间流量洪峰爆发，商品池扩大、用户购买意愿急剧变化，静态推荐位无法兼顾实时热点与个人偏好。传统人工配置分会场效率低、千人一面；AI 推荐系统实时合并优惠、库存、社交关系等特征，动态生成每个人的专属会场。

具体案例：2023 年双十一，淘宝根据用户此刻浏览行为实时切换会场楼层：一位刚搜过“露营”的用户，首页前两屏立刻变成帐篷、折叠椅和户外电源的凑单组合，价格带贴合其历史客单价，同时插入其好友买过的同款以增强信任。

场景二：拼多多的社交拼团推荐

阶段：社交特征融合 + 裂变链路推荐

解决的问题：拼多多面对的是价格敏感、信任门槛高的下沉市场，单纯个性化推荐难以解决“凭什么相信你”的问题。AI 系统把好友关系、砍价记录、社群偏好纳入推荐特征，让“人传人”成为推荐引擎的一部分。

具体案例：系统检测到用户 A 对母婴商品有高偏好且近期活跃，就在其拼团页面优先展示“XX 好友也在拼”的纸尿裤链接，同时估算该用户的好友 B 也有类似需求，提前将拼团入口推送到 B 的消息中心，形成社交裂变闭环。

Python 演示

python51 行
import math # 用户-商品评分表, 0 表示未购买RATINGS = {    "小明": {"手机": 5, "耳机": 4, "充电宝": 0, "手机壳": 3, "手表": 0},    "小红": {"手机": 4, "耳机": 0, "充电宝": 2, "手机壳": 5, "手表": 3},    "小刚": {"手机": 0, "耳机": 3, "充电宝": 5, "手机壳": 0, "手表": 4},    "小丽": {"手机": 2, "耳机": 5, "充电宝": 4, "手机壳": 1, "手表": 0},}  def cosine_sim(a, b):    common = [k for k in a if b.get(k, 0) > 0]    if not common:        return 0.0    dot = sum(a[k] * b[k] for k in common)    na = math.sqrt(sum(a[k] * a[k] for k in common))    nb = math.sqrt(sum(b[k] * b[k] for k in common))    return dot / (na * nb) if na and nb else 0.0  def build_item_sim(items):    sim = {}    for x in items:        sim[x] = {}        for y in items:            if x != y:                vec_x = {u: RATINGS[u][x] for u in RATINGS if RATINGS[u][x] > 0}                vec_y = {u: RATINGS[u][y] for u in RATINGS if RATINGS[u][y] > 0}                sim[x][y] = cosine_sim(vec_x, vec_y)    return sim  ITEM_SIM = build_item_sim(list(RATINGS["小明"].keys()))  def recommend(user, top_k=2):    scores = {}    for item, score in RATINGS[user].items():        if score <= 0:            continue        for other, s in ITEM_SIM[item].items():            if RATINGS[user].get(other, 0) == 0 and s > 0:                scores[other] = scores.get(other, 0) + s * score    ranked = sorted(scores.items(), key=lambda x: x[1], reverse=True)    return ranked[:top_k]  if __name__ == "__main__":    for user in RATINGS:        print(user, "推荐:", recommend(user))
目的：用一份极简数据集演示 ItemCF 的完整流程——计算物品相似度矩阵，再为用户推荐未购买但口味相近的商品。
  1. RATINGS模拟用户对商品的评分矩阵，0 代表未购买，是整个协同过滤的原始素材。
  2. common = [k for k in a if b.get(k, 0) > 0]找出两个商品都被同一批用户购买过的交集，这是计算相似度的前提。
  3. dot / (na * nb)余弦相似度公式的实现，把两个商品的“用户行为向量”夹角的余弦值算出来。
  4. build_item_sim(items)遍历所有商品两两组合，构建完整的物品相似度矩阵，相当于王阿姨给“物以类聚”编了本字典。
  5. if RATINGS[user].get(other, 0) == 0只对用户没买过的商品打分，避免推荐已经拥有的东西。
  6. scores[other] = scores.get(other, 0) + s * score把相似度乘上用户已有评分再累加，得到候选商品的推荐分数。

常见误区

误区推荐系统嘛，不就是统计什么卖得好就推什么？反正大多数人喜欢的，推给大家都不会错。

正解热门推荐只是兜底策略。真正的推荐系统核心是“千人千面”——王阿姨不会对每个客人都推荐店里最火的保健品，她会给老人推按摩仪、给白领推咖啡、给宝妈推纸尿裤。个性化程度决定推荐系统的价值上限，只看热门会让长尾商品失去曝光，用户也会逐渐对推荐流失去兴趣。

为何常见：因为早期推荐确实靠排行榜，而且热门商品的数据质量高、效果立竿见影，让人误以为这就是全部。

误区都是推荐算法，协同过滤看人，内容推荐也看人，感觉本质没区别。

正解两者截然不同。协同过滤看的是“行为相似”——老王和小李都买海竿，所以互相推荐；它不需要理解商品是什么。基于内容看的是“属性匹配”——用户画像和商品画像都含“钓鱼”标签，所以推荐；它不需要用户之间有交集。冷启动场景下前者失灵、后者依然可用，两者经常搭配使用。

为何常见：两者最终输出形式都是“推荐列表”，小白容易只看到结果相同而忽略机制差异。

误区排序模型这么强，干脆把全量商品都放进排序模型打分，信息最全，效果肯定最好。

正解全量精排的算力成本不可接受——几亿商品逐个过深度模型，延迟会从几十毫秒暴涨到数秒，用户早等不及划走了。推荐的架构是漏斗式的：召回层用轻量策略快速筛出几百个候选，排序层再精细打分。召回质量决定了排序效果的上限，多路召回才是工程正道。

为何常见：从算法效果角度看“信息越多越好”看似合理，但忽视了推荐系统的实时响应约束。

误区点击率是核心指标，CTR 上去了，推荐系统一定做得好。

正解CTR 高只说明用户爱点，不代表会下单或满意。有的“标题党”商品点击很高但转化极低，反而伤害用户体验；只追求 CTR 还会导致推荐越来越窄、用户陷入信息茧房。业界会用 GMV、转化率、复购率、覆盖率、多样性等复合指标综合评价。

为何常见：CTR 是推荐系统最早被宣传的指标，概念直观且容易统计，容易让人误以为它是唯一标准。

面试题

Q1. 电商推荐系统最核心的目标是什么？

单选题 · easy

  • A.把最热门的商品推送给所有用户
  • B.让每个用户看到最可能购买的商品← 正确答案
  • C.减少服务器成本从而提升利润
  • D.让用户浏览更多页面增加时长

答案：B。推荐系统的灵魂是“个性化精准匹配”，即把对的商品递给对的人，促成购买。热门推荐只是兜底手段，降成本不是算法目标，浏览时长也只是中间信号而非最终目标。

Q2. 协同过滤推荐方法的本质是什么？

单选题 · easy

  • A.根据商品属性匹配用户偏好
  • B.利用相似用户或相似物品的行为← 正确答案
  • C.运营人员手工配置推荐规则
  • D.随机挑选商品做曝光测试

答案：B。协同过滤依赖“群体智慧”，看的是用户之间或物品之间的行为相似性，不需要理解商品属性。A 是基于内容的思路，C 是人工运营，D 是随机策略，皆非协同过滤核心。

Q3. 以下哪个指标表示“点击次数除以曝光次数”？

单选题 · easy

  • A.CTR 点击率← 正确答案
  • B.GMV 成交总额
  • C.DAU 日活用户
  • D.ARPU 人均收入

答案：A。CTR（Click-Through Rate）就是点击除以曝光，衡量推荐位对用户的吸引力。GMV 是成交额，DAU 是活跃用户数，ARPU 是每用户平均收入，与点击率定义无关。

Q4. 推荐系统中召回与排序的正确关系是什么？

单选题 · mid

  • A.先做精排打分再全量召回候选
  • B.先快速召回候选再精细排序打分← 正确答案
  • C.召回和排序互相独立无需衔接
  • D.排序阶段候选数量越多效果越好

答案：B。工程上必须是“召回在前、排序在后”的漏斗结构，召回用轻量策略从亿级商品中筛出几百个候选，排序再精排。先精排再召回逻辑上不可能也不经济，候选无限增大会拖垮延迟。

Q5. 基于内容的推荐算法核心是什么？

单选题 · mid

  • A.用户之间行为的相似度计算
  • B.商品特征与用户偏好的匹配打分← 正确答案
  • C.用户购买时间频次的统计分析
  • D.社交关系链上的传播路径挖掘

答案：B。基于内容推荐构建物品画像与用户画像，通过特征匹配打分决定推荐结果。A 是协同过滤，C 是行为频次统计，D 是社交推荐，均非内容推荐的核心机制。

Q6. Wide&Deep 模型中 Wide 侧的主要作用是什么？

单选题 · mid

  • A.自动挖掘低频交叉特征
  • B.记住高频强特征组合← 正确答案
  • C.处理用户上传的图片
  • D.负责模型在线实时训练

答案：B。Wide 侧通过线性层直接记住“买过 A 常买 B”这类高频强规则，泛化能力弱但记忆准确；Deep 侧负责自动交叉学习泛化。A 是 Deep 侧的优势，C、D 与 Wide 侧无关。

Q7. 推荐系统冷启动问题指的是什么？

单选题 · mid

  • A.服务器刚启动时接口响应缓慢
  • B.新用户或新商品缺少行为数据难推荐← 正确答案
  • C.机房温度过低导致模型训练失败
  • D.模型训练时间太短导致欠拟合

答案：B。冷启动特指新用户没有历史行为、新商品没有曝光记录，导致协同过滤等依赖行为数据的算法失灵。它是推荐系统的经典难题，与硬件、训练时间无关。

Q8. 以下哪些策略可以有效缓解新用户的冷启动问题？

多选题 · hard

  • A.用热门商品做兜底推荐← 正确答案
  • B.引导用户选择兴趣标签← 正确答案
  • C.利用注册信息如性别年龄← 正确答案
  • D.直接禁止新用户使用推荐位

答案：ABC。热门兜底保证基本体验，兴趣标签和注册信息都能快速构建初始用户画像，从而启用基于内容推荐。D 直接放弃新用户流量，是明显的错误策略。

Q9. 电商推荐系统排序层常用的特征包括哪些？

多选题 · hard

  • A.用户历史点击行为← 正确答案
  • B.商品价格与类目属性← 正确答案
  • C.当前时间和所在城市← 正确答案
  • D.用户设备型号与网络状态

答案：ABC。A 是用户侧特征，B 是商品侧特征，C 是场景特征，三者都是排序模型的标准输入；D 设备型号虽有极微弱作用，但不算通用排序特征，干扰项。

Q10. 拼多多“砍一刀”推荐模式的突出特点是什么？

单选题 · extreme

  • A.强调社交裂变与低价爆款结合← 正确答案
  • B.只推荐高客单价奢侈品牌
  • C.完全不使用个性化推荐技术
  • D.依赖线下门店人工导购

答案：A。拼多多将社交关系链融入推荐，用好友助力、砍价裂变降低信任门槛，再以低价爆款承接转化，形成独特的社交推荐模式。B、C、D 均与拼多多的实际策略相悖。