PMBear推薦系統是一個策略行為，本文將用兩張圖，來帶你看懂今日頭條的推薦系統。
推薦系統的“前身”
2016年，騰訊以80億美元估值投資今日頭條，結果大家都知道，張一鳴拒絕了騰訊的投資，現在大家也知道，字節跳動估值750億美元，這一切，推薦系統功不可沒。
因為搜索引擎和推薦系統太相似，相對來說也更簡單（勿噴），所以我們先來了解一下搜索引擎。至於搜素引擎是不是推薦系統的前身，我很懶，沒有考察。
如上圖，搜索引擎分成為離線部分和在線部分，每一部分有不同的使命。
簡單來說，搜索引擎的離線部分，專註於內容的搜集和處理。搜索引擎通過網絡爬蟲抓取網站上的原始內容，並將內容建立索引。這些內容會根據搜索系統的不同要求建立不同的索引體系，比如新聞類型的內容，會建立時效性的索引數據。
搜索引擎的在線部分，負責響應用戶的搜索請求，完成內容的篩選和排序，並將最終結果返回給用戶。我們舉一個例子來說明這個流程：
- 用戶在搜索引擎輸入一個關鍵詞NBA，搜索引擎搜索會對關鍵詞進行分析、變換、擴充和糾錯等處理，比如發現美職籃與NBA是同義詞，就會將其擴充。
- 接下來，搜索引擎會通過多種方式從不同索引數據獲得候選集，這個環節叫召回。
- 得到候選集后，搜索引擎通過更精細的計算模型對每一篇候選內容進行分值計算，對候選集的每一項進行排序。
- 這個時候，還不能將結果展示給用戶，需要經過規則干預這一過程。這個過程服務於特定的產品目的。假如有這樣一條“官方網站保護規則，確保所有品牌搜索詞都可以優先返回官網”，則此時就會將官網插入並置頂，最後再將結果展示給用戶。
- 此時，搜索引擎的工作還未結束。搜索引擎會根據用戶的點擊反饋去優化排序模型。比如，大部分用戶都沒有點擊文章10，則文章10後續就不會獲得更靠前的展現位置。
對以上兩圖進行總結就是下圖，就是想讓你們看的第一張圖：
今日頭條的推薦系統
通過上“一”張圖，我們明白了搜索引擎的原理（無論怎樣我都會裝作你看懂了），而今日頭條的這張圖，就是比上圖上多了一筆，考慮到這兩張圖高度相似，我這麼懶的人，當然是不會去畫的了，你們發揮想象吧。
其實，推薦系統也有離線部分和在線部分。上圖（那不是圖，是PNG）即是推薦系統的離線部分，與搜索引擎大同小異。
- 和搜索引擎一樣，推薦系統也需要獲取內容。推薦系統通過數據庫導入、協議同步和用戶提交等方式獲取推薦內容。區別於搜索引擎，推薦系統獲取內容的方式較多，且內容的結構化程度要遠勝於搜索引擎爬蟲抓取的內容。
- 推薦系統也需要將待推薦的內容進行索引化處理，這一點與搜索引擎較為相似。推薦系統的維度會更多。
接下來，就是推薦系統的在線部分了。天啊，看到上圖，發現推薦系統真的和搜索引擎太像了，就多了一筆。
- 搜索引擎的輸入為用戶的搜索關鍵詞，推薦系統同樣需要輸入，只是這個過程用戶沒有感知，對推薦系統來說，它的輸入為場景信息，比如時間、地點和設備等。
- 搜索引擎獲得輸入后，會進行關鍵詞處理，對於推薦系統來說，會進行用戶畫像查詢。這個案例中，推薦系統了解到，該用戶在實體詞維度，對NBA感興趣，在分類維度，對體育和科技感興趣。
- 查詢到用戶畫像后，推薦系統就進入召迴環節。它通過多種方式，根據用戶畫像查詢結果“NBA、體育和科技”，從不同索引數據里獲得候選集合。
- 在召回完成後，和搜索引擎一樣，推薦系統按照預定預估目標對候選集進行排序。
- 同樣，推薦系統也需要經過規則干預步驟后，才會將最終結果展示給用戶。
- 對於最後一步，用戶的各種動作行為，在搜索引擎里，會持續優化排序模型，在推薦系統里，還會持續改進自身的畫像。
對以上兩圖進行總結就是下圖，就是想讓你們看的第二張PNG（圖)：
推薦系統的本質
通過對搜索引擎和推薦系統的兩張圖，我們大致明白了推薦系統是怎麼個一回事。實際上，推薦系統是一個策略行為。對於策略，他有四要素，分別是：
- 待解決問題
- 輸入（影響解決方案的因素）
- 計算邏輯（將輸入轉換成輸出的規則）
- 輸出（具體的解決方案）
對於今日頭條來說：
它待解決的問題是“從海量的內容中，找到用戶喜歡的內容”；
他的輸入是“用戶畫像和內容特徵”；
計算邏輯：將這些內容特徵按一定規則轉化為喜歡度；
輸出：將內容按喜歡度從高到低排序。
由於我推薦系統的課程還未結束，先不展開這部分內容了。後面博客會對上文進行展開，有興趣的同學，歡迎關注。
說明：以上內容來源於個人閱讀和付費課程的歸納整理。
