https://time.geekbang.org/column/intro/100005101?utm_campaign=geektime_search&utm_content=geektime_search&utm_medium=geektime_search&utm_source=geektime_search&utm_term=geektime_search&tab=catalog #第一性原理 用已有的连接去预测未来用户和物品之间会出现的连接。 1. 用户画像与意图建模 传统推荐依赖点击、转化行为特征。大模型能理解用户生成内容（评论、搜索 query、聊天记录），在更自然的交互里抽取偏好。推荐理由也可以由大模型生成，提升透明度。 2. 内容理解能力增强 对复杂内容（长视频、长文档、代码），传统[embedding](embedding.md)很难精细理解。大模型能做摘要、结构化标注，帮助建立更丰富的 item 表征。 3. 推荐策略更灵活 传统推荐多是召回一排序一重排，优化CTR、CVR。大模型可以作为策略中枢：根据用户意图、上下文直接 orchestrate 召回策略，甚至动态生成推荐理由。 4. 冷启动优化 新内容或新用户没有历史行为时，传统系统很难推荐。大模型可通过语义理解（例如解析新商品的描述）+少量上下文，快速给出合理推荐。 ___ # 为什么需要推荐系统 1. 世界的发展趋势是万物倾向于建立越来越多的连接； 2. 人是这一切趋势的意义所在，为人建立连接是要义； 3. 根据已有的连接预测和人有关的连接，就是推荐系统。 # 两个思维模式 1. 目标思维 2. 不确定性思维 # 三步走 1. 认识每一个用户；2. 给他推荐他感兴趣的东西；3.坐等各项指标上升。