参考网址推荐系统概述
[1. 判别式推荐（择优范式）](#1. 判别式推荐（择优范式）)
[2. 生成式推荐（创作范式）](#2. 生成式推荐（创作范式）)
[1. 核心矛盾](#1. 核心矛盾)
[2. 判别式推荐解法：召回-排序-重排三阶段流水线](#2. 判别式推荐解法：召回-排序-重排三阶段流水线)
[3. 生成式推荐解法：端到端生成](#3. 生成式推荐解法：端到端生成)
（一）推荐系统三要素
推荐系统的核心是实现**用户、物品、场景【平台】**三者的精准匹配，三者共同构成推荐的基础逻辑：
-
用户：推荐的需求方，包含用户画像、历史行为、兴趣偏好等特征
-
物品：推荐的供给方，包含内容、商品、服务等各类待推荐对象的属性特征
-
场景：推荐的上下文环境，包含时间、地点、设备、用户当前状态等动态信息
（二）推荐系统两种核心范式
1. 判别式推荐（择优范式）
它将推荐问题定义为：给定一个具体的用户-物品-场景三元组，预测用户会对这个物品产生正面行为的概率。通过整合用户特征(U)、物品特征(I)和场景特征(C)，对每个候选物品逐一打分 ，预测用户与物品产生有价值连接的可能性，本质是基于**"匹配度打分"的择优筛选**，是工业界主流传统范式。
2. 生成式推荐（创作范式）
不再逐一评估候选物品，而是让模型根据对用户和场景的理解，直接**"创作"**出推荐结果。模型以用户的历史交互序列和当前场景作为输入，通过自回归解码直接生成推荐物品的序列，本质是基于"序列生成"的端到端创作，是推荐领域的新兴范式。
（三）工程化视角（核心矛盾与解法）
1. 核心矛盾
如何在极有限的时间内，从海量的候选中找到最优的推荐结果？
2. 判别式推荐解法：召回-排序-重排三阶段流水线
| 阶段 | 核心目标 | 核心原则 | 模型特点 | 关键作用 |
|---|---|---|---|---|
| 召回 | 速度+覆盖度 | 宁可错杀，不放过 | 模型简单、计算高效 | 从全量物品库快速筛选出几千个可能相关候选 |
| 排序 | 精度（核心步骤） | 精准打分、择优排序 | 模型复杂、特征交叉能力强 | 为每个候选计算精确预测分数，筛选出最优匹配 |
| 重排 | 用户体验 | 优化多样性、新鲜度 | 规则+轻量模型 | 解决推荐同质化问题，优化最终展示列表 |
三阶段流水线的核心逻辑：在不同阶段采用不同的策略，逐步从"可能相关"筛选到"最优匹配"。召回追求速度和覆盖度，排序追求精度，重排追求体验。
3. 生成式推荐解法：端到端生成
生成式推荐将用户历史交互作为上下文输入，通过统一的生成模型直接输出推荐序列，将多阶段级联压缩为端到端的单一过程，可消除阶段间信息损失与误差累积。
（四）宏观视角（生态价值）
一个技术上完美的推荐系统，不一定就是一个真正优秀的推荐系统。
推荐系统的最终目标不是单纯追求技术指标的最大化，而是构建一个能让所有参与方长期受益的健康生态。在这个生态中，存在三个基本支点，三者相互依存，共同决定了推荐系统能否长期健康运转：
-
用户与创作者：用户获得精准、有价值的内容；创作者获得公平曝光与正向激励
-
内容：保障内容多样性、优质性，避免同质化与信息茧房
-
平台：实现用户留存、商业价值与生态可持续的平衡
-
