推荐系统整体分为召回、排序、重排、冷启动、评估几个核心阶段，不同阶段使用不同算法，从传统机器学习到深度学习，再到大模型推荐，梳理如下。
一、传统召回算法（粗筛，从百万 / 亿级候选集选出千级候选）
1. 协同过滤 CF
User‑CF 用户协同过滤：找兴趣相似用户，把相似用户喜欢的物品推荐给当前用户。适合用户少、物品多场景；缺点：用户量大计算量大，新用户冷启动差。
Item‑CF 物品协同过滤：计算物品相似度，用户喜欢 A，就推荐和 A 相似的 B。电商、短视频最常用，可解释性强；物品量大相似度矩阵存储压力大。
基于模型的协同过滤‑矩阵分解 MF
SVD、Funk‑SVD、ALS，把用户‑物品打分矩阵分解为用户向量、物品隐向量。得到用户 / 物品稠密 Embedding，解决稀疏问题；缺点：难以引入用户属性、物品属性等侧信息。
2. 内容推荐（基于内容）
基于物品本身属性（标签、文本、类别、描述）和用户画像做匹配。
例子：用户喜欢科幻电影，就推其它科幻电影。
优点：无用户行为也可用，解决物品冷启动；缺点：多样性差，容易窄化兴趣，无法挖掘隐式兴趣。
3. 统计类召回
热门召回：全局热门、时段热门，解决冷启动兜底；
地域召回：本地生活、外卖，基于地理位置；
规则召回：历史浏览、收藏、购买、关注、最近点击。
4. 向量召回（Embedding + ANN 近似最近邻搜索）
模型产出用户向量、物品向量，用向量相似度检索候选。
常用引擎：FAISS、Milvus、Chroma、PGVector。
很多深度模型最终输出就是向量，交由 ANN 做召回。
二、传统排序算法（对召回的候选做精细打分）
LR 逻辑回归：工业界早期主流，CTR 点击率预估，特征工程很重，离散特征做 One‑Hot。
FM 因子分解机：自动学习特征交叉，解决 LR 需要人工做特征组合的痛点，适合高稀疏场景。
FFM 域因子分解机：在 FM 基础上引入域概念，进一步提升交叉特征效果。
GBDT 系列（XGBoost / LightGBM）：树模型，挖掘非线性特征，常和 LR 组合（GBDT+LR），树做特征挖掘，LR 做打分。
传统模型痛点：需要大量人工特征工程，对高阶、序列行为建模弱。
三、深度学习推荐模型（深度学习时代主流）
1. CTR 预估（排序层）
Wide&Deep：Google。Wide 部分记忆历史行为；Deep 部分做泛化，学习高阶隐式特征。兼顾记忆 (memory) 与泛化 (generalization)。
DeepFM：把 FM 和 Deep 结合，自动做一阶、二阶特征交叉，不需要人工构造交叉特征。
NFM：神经因子分解机，把 FM 二阶交互改成神经网络。
AFM：注意力因子分解机，对不同特征交叉分配不同注意力权重。
DIN 深度兴趣网络阿里。重点：注意力机制，用户历史行为序列，针对候选物品做注意力，模拟 “用户当前兴趣”。解决用户多兴趣问题。
DIEN：深度兴趣演化网络，在 DIN 基础上增加 GRU，建模兴趣随时间的变化。
DSIN：深度会话兴趣网络，建模用户会话内的兴趣。
2. 多任务学习 MTL
推荐系统不只有 CTR，还要预估停留时长、完播率、转化率、点赞、分享。
MMOE：多门混合专家模型，多个任务共享专家网络，门控网络分配权重，是工业界最常用多任务框架。
PLE：分层专家，解决 MMOE 任务冲突，对相关性差异大的任务效果更好。
3. 序列推荐模型（建模用户行为时序）
用户行为是时间序列：点击 1→点击 2→点击 3
GRU/LSTM：循环神经网络建模行为序列；
Transformer‑based：SASRec：自注意力做序列推荐，业界标杆；
BERT4Rec：基于 BERT 掩码方式做序列推荐。
4. 深度召回模型（产出 Embedding 用于向量检索）
Youtube DNN：YouTube 经典双塔模型，User 塔 + Item 塔，分别输出用户向量、物品向量，训练目标是负采样，输出向量交给 ANN 检索。工业召回最经典。
MIND：阿里多兴趣双塔，一个用户输出多个兴趣向量，解决用户同时有多种爱好的问题。
SIM：基于 MIND 升级，长序列多兴趣召回。
双塔模型：召回层主力；DIN/MMOE/PLE：排序层主力。
四、大模型时代推荐技术（LLM+Rec）
LLM 做特征理解：把物品标题、描述、用户评论交给大模型生成文本 Embedding，丰富物品侧信息；
LLM 做用户画像：基于用户历史行为生成自然语言用户画像；
LLM 重排：召回 / 排序输出候选集合，交给大模型做二次重排，兼顾多样性、公平性；
Agent 推荐：大模型理解用户自然语言提问，做交互式推荐；
RAG + 推荐：检索增强，结合知识库做可解释推荐。
五、冷启动技术
物品冷启动：内容特征、大模型文本 Embedding、迁移学习；
用户冷启动：热门兜底、注册时兴趣标签、地理位置；
系统冷启动：探索利用侧信息，减少对行为数据依赖；
强化学习探索与利用（Epsilon‑greedy、UCB）：平衡探索新物品和利用已有数据。
六、重排层（排序之后，最终输出列表）
排序输出每个 item 分数，重排做业务规则约束：多样性、去重、打散、过滤、业务约束。
规则重排；
DLRM 深度重排模型；
大模型重排。
七、常用评估指标
离线：Recall@K、Precision@K、NDCG、MAP；
线上 A/B 测试：CTR、CVR、人均时长、点击率、多样性、覆盖率。
八、简单阶段总结
召回：协同过滤、双塔 DNN、MIND、SASRec、向量 ANN 检索，目标快速筛出候选；
排序：LR/FM/DeepFM/Wide&Deep/DIN/DIEN/MMOE/PLE，精细打分；
重排：规则、深度重排、LLM 重排，业务约束、多样性；
冷启动：内容特征、迁移学习、探索利用。
本文原创作者：易君召，详见：https://www.yijunzhao.cn/authors/yijunzhao，转载请注明出处。
原文链接
欢迎访问 小易撩挨踢