推荐系统作为一种高效的信息发现工具，可以很好地解决用户精准高效获取信息的问题，尤其在人们需求不明确时，借助推荐系统获取信息是非常重要甚至是不可或缺的一种手段。同时就商业价值而言，推荐系统在内容分发、用户体验、商业化变现等方面也已经获得了广泛的认可。推荐系统目前已经成为互联网to C产品的标配技术，用来高效地解决用户的信息匹配问题。

　　笔者是算法工程师背景，曾在国内 大的短视频平台参与推荐系统核心算法模块研发，先后经历五款千万级以上日活内容分发产品从0到1阶段的推荐系统架构设计，踩过各种产品/内容/算法/运营的坑。之后在做推荐算法to B服务过程中，经历了各种推荐应用的场景，比如：短视频、长视频、新闻资讯、音频应用、社交社区、直播、电商、游戏等几乎所有需要个性化算法的产品。通过本文，笔者希望基于以往经历过的失败或成功的案例，与业界同仁探讨在搭建工业级推荐系统过程中必须深入思考的五个关键性问题。

　　问题1：算法是否有用？

　　根据业界主流定义，推荐算法是指建立在机器学习基础之上的一套包含模型训练/预测功能的决策系统。广义的算法其实包含各种计算策略、方法和技巧，不限于机器学习方法，比如一些求解技巧或者是结合业务特点的先验假设。

　　如前文所述，推荐系统目前已经成为to C互联网产品的标配技术，但是，你有没有认真思考过：你的产品或者系统，有没有必要利用推荐算法?推荐算法有多大的空间?

　　笔者经常见到一些初入门算法工程师，面对具体推荐场景时，没有做好充分的评估建模，一上来就三段式：样本生成、模型训练、上线预测， 终折腾半天没有任何效果，甚至不如人工推荐的效果。之所以会出现各种结果，是因为这些算法工程师没有做好前期建模，分析数据基本面，确认面对的应用场景是不是属于“用户”和“事物(Item)”的双边充分消费市场。这里面，事物(Item)可以是人、信息、商品、服务等，双边基数越大推荐算法作用越大，双边消费越频繁，推荐效果越好。

　　在2020年中量质子曾经接触过一个做小游戏推荐的客户。他们在产品早期有几个策略工程师基于一些业务策略做了一版推荐系统，相对于完全没有策略的状态推荐效果好了很多，公司决策层于是认为算法效果立竿见影、大有可为，高成本从抖音、百度等大厂挖了20多个高级算法工程师。算法同学加入之后没有充分理解小游戏场景的用户行为特点和产品指标评估体系，而是把内容类产品的建模方法和模型算法应用在App上，评估指标体系是用户人均使用时长和用户留存，结果做了半年尝试了各种模型算法都没有任何进展，团队信心丧失，人员流失严重，这时公司决策层又开始怀疑算法的价值。那么究竟是哪里出了差错呢?

　　其实，这个案例的核心问题出在建模目标、模型拆解、样本生成、评估体系上。小游戏场景和内容分发类产品差别很大。内容分发类产品一个 大的特点是：推荐内容都是新的不重复的(工业级内容推荐系统都有展现消重模块)，用户对老内容会本能排斥。而小游戏则不同，相比内容消费，玩小游戏是一个中度决策的场景，用户一个时段倾向于玩相同游戏直到兴趣消退，对新游戏发现需求不如内容分发强。因此，就需要仔细权衡新老游戏分发权重、冷启动策略如何制定、多目标如何拆解、模型样本怎么定义等等关键节点。如果这些关键点没有做到位，那么后续怎么调参都不会有效果。同时，在产品宏观指标算法效果评估上也要能反应出产品大目标，比如人均消费游戏数量、人均新游戏打开数，并综合考虑留存和人均时长指标。

　　中量质子团队在2020年还曾经服务过一个做艺术品的社区社交的客户，其产品UI类小红书。客户的产品从UI形式上看非常适合推荐，然而我们尝试了一段时间，效果始终做的不好。经过深度复盘，我们终于发现核心原因是用户数量太少，每天的用户行为非常少，导致模型学习非常不充分预测不准;而且，用户的消费行为不像内容消费那么高频度。这些用户对一个艺术品会反复浏览，是一个重度决策过程，更接近一个电商商品推荐。此外，这家客户设定的评估指标是人均消费金额，相比与时长留存，这是一个行为更稀疏的指标，更难做多目标的拆解和模型算法的充分学习。 终，我们给客户的建议是：这个阶段的产品更适合基于策略做热门运营半自动推荐，先做好用户增长。记不记得前面我曾经讲过，在“用户”和“事物”的双边消费市场里，双边基数越大推荐算法作用越大，双边消费越频繁推荐效果越好。