为什么推荐系统对大型科技公司以外的企业也很重要？
对于产品多到客户无法逐一浏览的企业，推荐系统很重要，因为系统优先展示什么，在很大程度上决定了什么会被看到、被购买以及被补货。
以一家虚构的线上手工材料商店柳溪手作为例，它有约 4,000 种商品和 15 人团队。电商负责人哈娜收到了采购团队的投诉，以及负责搭建'你可能还喜欢'推荐栏的服务商提供的报告。她的笔记写道：'几乎每个页面都在推荐同样的 40 种商品。春季新款毛线系列（220 件商品）在 3 周内几乎没有获得推荐展示。老客户收到的推荐不错，首次访问的用户看到的推荐却像是随机的。独立手作品牌说自己从未出现在推荐中。'她需要先向创始人解释问题出在哪里，再要求服务商作出调整。
推荐系统如何决定展示哪些内容？
大多数推荐系统采用基于内容的过滤、协同过滤，或两者结合。区别在于，是比较物品之间的相似性，还是比较用户之间的相似性。
基于内容的过滤
根据物品特征，推荐与用户已有喜好相似的物品。如果客户买过蓝绿色的粗支美利奴羊毛线，系统就会向其展示其他粗支羊毛线和蓝绿色毛线。这种方法不需要其他客户的数据，但效果取决于人为定义的物品特征，而且很少能推荐出用户日常偏好之外、令人眼前一亮的东西。
协同过滤
推荐相似人群喜欢的物品。如果购买过入门编织套装的客户之后经常购买针目记号扣和编织图解书，系统就会向新购买套装的客户展示这些物品。这种方法能够发现出人意料但实用的推荐，不需要物品描述，但依赖历史互动记录。
混合系统
将两种方法结合起来，通常再配合下架缺货商品等简单规则，让两种方法互补。
什么是冷启动问题？
冷启动问题是指，推荐系统由于没有新商品和新用户的交互历史，难以为它们提供推荐。尤其是协同过滤，无法确定一件从未有人购买或点击过的商品应该推荐给谁，柳溪的春季纱线系列遇到的正是这种情况；对于首次访问的用户，它也几乎没有可依据的信息。
常见的应对方法包括：对新商品改用基于内容的相似度；根据同类商品或同一厂商的其他商品来估计新商品；向新访客展示刻意搭配、种类多样的热门商品；如果适合店铺，也可以用一两个简短问题了解访客的偏好。
反馈循环和公平性问题是如何产生的？
当系统根据用户对其所展示商品的点击来学习时，就会形成反馈循环：展示得越多的商品获得的点击越多，随后又被展示得更多。久而久之，少数热门商品会挤占其他所有商品的展示机会，就像威洛米尔的 40 款商品一样，而从未被展示的商品也始终没有机会证明自身价值。
随之而来的就是公平性问题。如果独立创作者的产品一开始积累的历史数据较少，这种循环就可能让它们无论质量如何都始终得不到曝光，消费者的选择也会减少。应对方法包括：预留少量推荐位给新产品或曝光较少的产品；按创作者和品类衡量曝光情况，而不只看总点击量；更新模型的训练数据，避免它只从自己过去的选择中学习。
向代理机构提出的请求，较差的版本和改进后的版本分别是什么样的？
不充分的请求是：'推荐效果不好，请改进。' 服务机构可能只是用更多同类点击数据重新训练模型，反而强化了这个循环。
改进后的需求写道：'我们的推荐栏似乎只依赖购买历史。请 (1) 对于尚未积累足够历史记录的新品，利用纤维、重量、颜色和工艺等产品属性进行推荐；(2) 向首次访问的用户展示涵盖不同类别的多样化商品，而不只是一份畅销榜；(3) 在八个推荐位中，留出两个给过去 30 天内曝光较少的商品；(4) 每月按制作者和商品上架时长报告推荐展示量的占比；(5) 将访客分组，对比测试改版与现有推荐栏的效果，衡量订单量，而不只是点击量。'现在，哈娜就能判断这些工作是否已经完成。
如何检查推荐是否有效？
检查推荐效果时，不要只看点击率，还要看订单、退货，以及曝光在不同产品和供应商之间的分布情况。如果推荐栏只提高了少数畅销品的点击量，却让新品无人问津，就可能正在损害业务。将改动后的效果与看到旧版本的访客对照组进行比较，因为无论使用什么模型，促销或节假日期间的推荐效果看起来都会更好。
使用推荐系统时，有哪些常见错误？
最常见的错误是只优化点击量，这会偏向吸引眼球的内容，并强化反馈循环。其他错误包括：推出新系列时不提供内容特征，导致冷启动问题；不设对照组，仅通过前后比较判断成效；忽略哪些供应商或品类从未出现；以及用个人数据做推荐，却未在隐私声明中告知客户。
这节课在 Tosheo.ai 中属于哪一部分？
本课属于机器学习课程中的机器学习分类，安排在模型如何学习和如何评估的课程之后。在 Tosheo.ai 中，实操任务要求你撰写一份简报，说明如何改进一家虚构商店的推荐功能，评分反馈会检查冷启动、反馈循环、公平性和公平测试。这是一门帮助你提出工作要求并评判成果的职业基础课；用代码构建推荐系统属于选修编程学习路径的内容。
来源与范围
Google 开发者资源，推荐系统课程：候选生成概述（核查于 19 October 2026） ↗