推荐系统

冷启动问题是推荐系统领域的经典挑战，指新用户或新物品缺乏足够历史交互数据时模型无法有效推荐

算法推荐产生「信息茧房」效应，用户被持续暴露于与既有观点一致的信息中，认知多样性收窄

欧盟《数字服务法案》（DSA）将系统性风险评估义务强制施加于超大型平台

推荐系统用户可控化面临核心矛盾：用户的显式偏好声明与真实的隐式行为往往不一致

MIPS是推荐系统、搜索和RAG的共同底层能力，相关优化并非RAG专属，可以复用到更广泛的检索场景中。

主流平台推荐系统因优化停留时长与互动率而依赖长期、跨站用户画像，容易导致信息茧房。

推荐系统与社交传播两条路径叠加时，内容可能被系统放大并二次传播，导致非线性传播。

推荐系统的竞争已经从模型层面延伸到基础设施层面——当模型架构趋同时，谁能更高效地存储和访问特征，谁就能在训练速度和推理成本上占据优势。

推荐系统中常见的特征访问模式包括：按用户ID批量拉取该用户的历史行为序列、按物品ID查询embedding向量、以及按时间窗口读取近期的上下文特征。

业界常见的冷启动缓解手段包括：利用注册时选择的兴趣标签、基于地理位置或设备信息的粗粒度推荐、以及通过热门内容或编辑精选来兜底填充信息流。

推荐系统倾向于放大已被验证为高互动的内容，形成强者愈强的马太效应。

SVD在推荐系统中用于矩阵补全，在自然语言处理中用于潜在语义分析。

推荐系统中排序模型对“政治内容”赋予的权重、对“可信来源”的偏好，都会系统性影响可见度。

推荐系统需要更精细的上下文理解，简单基于关键词的匹配容易产生误导。

现在各大科技公司的AI大模型相关人员几乎都来自推荐系统和多模态领域。

心理层面的理解与推荐系统的用户画像在技术上同源。

演讲指出推荐系统和参与度算法倾向于放大引发强烈情绪的内容，而愤怒是最容易被激化、传播成本最低的情绪之一。

演讲呼吁建立算法透明度机制，要求平台披露推荐系统如何影响公共讨论，并制定规则限制利用情绪激化获取参与度的设计模式。

把评论区做成内容——例如展示真实用户名单、发起参与式活动——能提升社区感，并反向喂养推荐系统。

推荐系统的主流技术路径包括协同过滤、基于内容的推荐以及双塔召回、序列建模等深度学习模型。