编辑导语：从前，没有推荐系统的时候，我们所看到的信息都是通过自己筛选的，难免会掺杂着自己不喜欢的东西。如今，推荐系统的遍布，让我们上瘾。本文通过纵观行业发展趋势，解析推荐系统的兴起，一起来看看。
太多技术大咖们在分享推荐系统的知识，本系列作为一个策略产品从业务视角和行业整体变化趋势来为大家详细介绍一个推荐策略产品经理需要了解到的行业趋势和必备的策略知识。
一、推荐系统在国内的兴起由来
站在2022年这个时间点大家都知道推荐系统在各大APP得到了广泛的应用，但站在整个国内互联网行业发展的视角，推荐系统在国内的兴起是有几个非常大的标志性事件的。
事件一：2012年今日头条的上线，第一个完全利用推荐系统进行流量分发的内容类APP
2012年张一鸣带着自己积累多年的推荐算法从“九九房”辞职开始自己的第五次创业，成立了“字节跳动”。随后推出的第一款产品就是今日头条APP。
在2012年那个时间点，张一鸣就已经意识到未来是移动互联网的时代。而移动互联网必将给人们带来爆炸信息，使人们面对的选择越来越多，面对信息超载，人们常常无所适从。
在这种情况下，传统人工编辑的信息分发模式已经不能适应了，一方面效率低下一方面人工成本太高，而通过推荐系统来实现更加智能和个性的推荐就是最好的方式。
相信大家用过今日头条APP的对于今日头条APP的推荐能力都很清楚，推的实在是太准了。可以称之为第一代“时间熔炉”，那时候还没有精神鸦片抖音。今日头条的上线是一个国内推荐系统发展的标志性事件，代表着推荐系统开始慢慢走向了台前。
事件二：2015年淘宝双11全面开启“千人千面”时代
很多人知道蒋凡是因为他和张大奕的绯闻，但很少有人知道为什么蒋凡作为一个被阿里收购公司的员工能够在阿里晋升地如此之快，一直到成为阿里的太子。
蒋凡在阿里能够快速升迁做到阿里太子的位置，离不开蒋凡成功地将阿里从PC时代完成向移动端的转型。蒋凡在阿里主导搭建了阿里的“千人千面”的推荐系统，以及成功布局了淘宝直播。2015年淘宝的双11正式全面开启“千人千面”时代，以往大家在淘宝首页看到的推荐商品和频道等基本上都是一样的，并没有实现按照用户兴趣的个性化分发。
而在2015年的双11，淘宝正式宣布开启“千人千面”的时代，这个背后的推手就是蒋凡。而当年双11的成交额无线占比74.83%。从此以后蒋凡带领着阿里，从月活跃用户4亿多，一直提升到巅峰期接近9亿。
淘宝开启“千人千面”的时代标志着推荐系统在电商领域的分发效率也已经远远超过了传统的人工配置或者BI的方式，推荐系统已经渗透到了人们生活的很多领域，从阅读新闻到网上购物等；
事件三：2020年淘宝双11前首页改版，首页焦点图下移，推荐模块上提
2020年双11前夕淘宝首页发生了一个大改版，就是原本首页最上方的横版焦点图下移到了下方推荐信息流模块的第一坑，而中间的各种频道和运营楼层全部下线，最下方的“猜你喜欢”模块大幅上移。而淘宝为什么这么做？核心原因其实也就只有一个，以往的这种信息分发方式已经不能适应当前用户的需求了，已经不是最优的信息分发模式。
各种运营手动配置的楼层下线，大幅提升基于推荐模型千人千面分发的“猜你喜欢”模块的位置。
以上三个事件可以说是推荐系统在国内互联网领域应用的标志性事件。而在这些事件中推荐系统解决了一个核心的问题：如何实现日益增长爆炸式的信息与用户不断变化兴趣和需求之间的高效匹配。
二、推荐系统为什么会兴起？
那推荐系统为什么在2010后才开始蓬勃兴起，早在上世纪90年代就已经有了各类推荐算法如协同过滤等，那时为什么推荐系统没有发展起来？推荐系统的兴起是因为4大因素在一起促进了推荐系统的蓬勃发展。
2.1 时代的变化
2010年开始智能手机的普及，互联网慢慢由PC时代进入移动时代 ，用户可以无时无刻拿着手机上网，同时4G网络的普及网速更快流量也更便宜了。人们开始有更多时间在网上漫无目的的冲浪，同时人们也不断地在网上生产更多的内容。爆炸式的信息增长和爆炸式的用户增长，二者之间如何实现更好的匹配。就需要一种更加智能的方式，也就是推荐系统。
2.2 数据的积累
同时因为移动互联网时代的到来，用户在网络上表达的行为信息越多，计算机可以采集到的用户行为信息也就越多。推荐模型就有了更多的数据去学习，去了解用户的兴趣和需求，推荐系统就可以推的更“准”。
2.3 技术的进步
大规模机器学习和深度学习在推荐系统领域的应用。2010年以前推荐系统主要使用的还是传统的协同过滤和基于内容推荐的算法。
2010年以后随着算法科学家们在推荐系统领域的不断研究，将大规模机器学习框架引入到了推荐系统领域，大幅提升了推荐系统模型分发的效率和效果。后面又随着深度学习模型的应用，推荐系统的推荐效果也越来越好，对于用户和物品的特征挖掘的更深更广。
2.4 算力的进步
AI的发展离不开：算法、算力和数据。作为AI在工业界应用最广的场景：推荐场景。推荐系统的发展自然也离不开算力的进步，当复杂的模型需要基于海量的数据进行模型训练时，这时就需要性能高的算力来支持。
传统的CPU资源训练一个推荐模型可能需要3天，这种效率太低下。当使用最新的GPU资源来训练深度学习推荐模型，可能只需要3小时，大幅提升模型的训练和迭代效率，算法工程师的工作效率也会更高，模型的迭代也会更快。
所以“时代的变化”促使了对于更加智能化信息分发方式的诉求，而“技术的进步、算力的进步、数据的积累”保证了推荐系统完美地匹配上了时代变化产生的业务诉求。
三、推荐系统是万能的嘛？可以取代未来所有的流量分发方式嘛？
上面我们介绍了这么多行业发展的趋势和推荐系统的应用，那么推荐系统是万能的嘛？它未来会取代所有的流量分发方式嘛。
首先先说结论：不会。我们以电商APP为例，可以将APP的流量场域分为3大类吧。
推荐是基于用户的兴趣，平台主动去探索为用户推荐可能感兴趣的商品。而搜索是用户主动表达需求，平台被动接受的。
搜索场景是平台不可或缺的，需要给用户表达诉求的场景。而在电商平台搜索场景也贡献着超过60%以上的订单，可能在内容类APP上搜索场景流量不多，但是在电商类APP用户目前还是倾向于搜索。
另外一大场景就是频道&会场，这些场景其实落地页里面很多都是基于推荐系统来进行内容分发了，只是很多时候业务侧会有一些强干预，尤其在一些特殊节点上，一些会场会重点将一些流量倾斜给某些品牌等。比如宝洁和京东达成战略合作，宝洁希望618期间有一个专属的会场，里面分发的商品由他们自己决定，这种特殊需求在实际业务开展中其实有很多。
推荐系统分发就是完全交给推荐模型，由模型决定。而有一些场景因为实际业务我们需要人工干预，这时候就不能依靠推荐系统来进行信息分发了。
总的来说近些年推荐系统的蓬勃兴起是时代的诉求，技术的推动，天时地利人和。对于行业的了解和未来发展趋势的判断是推荐策略产品经理必须要具备的。这篇文章是开篇，后面将会为大家详细介绍推荐策略里面的召回、粗排、精排、重排、前端样式、内容创意等各类策略。