淘宝 “猜你喜欢” 是如何读懂你的？一文看懂电商个性化推荐系统十几年进化史

步步糕升

导语

      很多人打开淘宝首页，会有一种奇妙甚至细思极恐的感受：仅仅短暂浏览过一双跑鞋，没有搜索、没有加购，第二天首页就自动推送运动袜、运动长裤、蛋白粉等全套周边商品，仿佛平台看穿了自己内心的消费想法。
      但这并不是 APP 在偷听你的日常对话，而是背后运行十几年的个性化推荐算法在起作用。面对平台十亿量级的海量商品，推荐系统的任务，就是在短短几分钟浏览时间里，从海量库中筛选出你最有可能感兴趣的商品。
       从早期简单的协同过滤，到深度兴趣网络 DIN，再到大模型语义理解，“猜你喜欢” 经历了多代技术迭代。本文通俗拆解这套系统的演进路线，讲清长期 / 短期兴趣建模、注意力机制、信息茧房与探索因子这些核心概念。

一、初代方案：协同过滤，模仿 “和你相似的人”（约 2013 年）

最早大规模落地的电商推荐算法叫做协同过滤，逻辑非常直白：找和你行为相似的人，把他们购买过的商品推荐给你。
举个例子：你买过一台跑步机，系统统计发现购买同款跑步机的大量用户，后续都选购了瑜伽垫，于是系统就把瑜伽垫推送给你。
这套逻辑在商品、用户规模不大的早期效果尚可，但随着平台商品爆发式增长，它很快遇到天花板：

• 计算压力爆炸，要对海量用户两两做相似度比对，算力消耗巨大；
• 长尾商品困境：冷门商品购买人数极少，没有足够用户行为，算法无法有效做推荐；
• 只看人群相似，不去理解你本人真实的偏好。
  

二、矩阵分解 & Embedding 向量：给用户和商品各办一张 “数字身份证”（约 2014‑2016）

为了解决协同过滤的瓶颈，行业开始大规模使用矩阵分解与 Embedding（嵌入向量）技术。
通俗理解：把用户、商品，全部压缩成一串多维数字，相当于一张机器能读懂的数字身份证。每一组数字，对应消费预算、风格偏好、品类倾向等特征。

• 用户拥有自己的向量；
• 每一件商品也生成对应的向量；
  

系统只需要计算两组数字之间的距离，距离越近，代表匹配度越高，商品就越优先展示给你。

Embedding 不产生人类可读文字，全部是数字编码，但是可以高效完成海量商品的相似度比对，也是今天几乎所有 AI 系统的底层基础能力。

这一代模型不再单纯拿 “别人的行为” 来猜你，而是开始尝试刻画 “你是一个什么样的消费者”。
三、深度兴趣网络 DIN：引入注意力机制，区分不同历史行为权重（2017）

早期模型会把你的全部历史浏览、购买记录同等看待。但人的兴趣是多元的：你既买过锅具，也买过跑步装备，当系统预测你会不会买跑鞋时，“浏览跑鞋” 这条行为显然比 “买过炒锅” 重要得多。
阿里 2017 年发布的DIN 深度兴趣网络，带来了关键突破，引入了注意力机制。类比人脑：朋友跟你说最近睡不好，你会优先联想到睡眠、压力相关线索，不会想起很久之前对方爱吃什么零食。注意力机制就是让机器学会这件事。
DIN 的核心逻辑：面对待评估的商品，自动给你的历史行为分配不同权重，和当前商品相关的过往记录权重拉高，无关的行为权重压低。推荐不再一刀切看待全部历史行为，可以针对每一件候选商品，动态聚焦你的相关兴趣片段。
快慢双流水线：长期兴趣 vs 短期实时意图

从这一代开始，推荐系统分成两条并行流水线：

• 慢车道（长期兴趣）：使用数月的全量行为数据，耗时数小时训练，沉淀你稳定的消费底色，比如长期偏好的价位、品牌、风格；
• 快车道（短期实时信号）：毫秒级捕获刚刚发生的点击、搜索、浏览，捕捉你当下临时需求，比如突然要出差、准备给人买礼物。
  

最终展示给你的商品，是两条流水线结果融合输出。这就是为什么你刚搜索完登山包，刷新首页，推荐列表立刻就发生变化。

系统还会识别行为发生的先后顺序：先看跑步机、再看运动服、蛋白粉，和先看蛋糕、烤箱、面粉，即便浏览三件商品相同，因为时序不一样，识别出来的消费意图也完全不同。

四、大模型时代：从行为匹配升级到语义意图理解（2021 年后）

在大模型普及之前，推荐系统只能读懂用户行为：点击什么、买过什么。却很难读懂语言背后的深层意图。
举个例子，搜索关键词 “适合送给长辈的保健品”，旧模型只能拆解字面关键词，很难理解 “送礼” 这个场景背后的特殊诉求：看重品牌、包装、体面，而不单单看功效本身。
接入大模型之后，系统具备更强的语义理解能力arXiv：不再只依靠 “买过 A 所以推 B” 的行为关联，可以理解搜索词、商品标题、评价文本背后的真实意图。实现从 “行为匹配” 进化到 “意图理解”：

• 旧逻辑：你买过跑鞋，给你推跑鞋；
• 大模型逻辑：识别出你想要开启健身生活，配套推送一整套健身相关商品。
  

五、无法回避的信息茧房：“探索因子” 的妥协

推荐系统天然会形成正向强化循环：你越频繁浏览运动类商品，系统就越多推送运动相关商品，你的视野被不断收窄，也就是大家常说的信息茧房。
平台也清楚这个弊端：如果用户永远只被投喂历史偏好，新品、冷门长尾商品永远得不到曝光，长期会伤害平台生态。于是算法加入探索因子机制：会在推荐流里，主动混入一部分和你的历史偏好不那么匹配，但存在潜在可能性的商品。偶尔刷到完全意料之外，却刚好戳中需求的商品，就是探索因子在起作用。
但这里存在商业矛盾：探索类内容点击率普遍低于精准匹配内容。更高的探索比例，意味着整体点击率、广告收入下降。在业务压力之下，平台不会把探索比例调的很高。技术可以缓解茧房，但无法完全根除，这是商业模式带来的现实约束。
六、常见认知误区澄清

• 误区：猜你喜欢是 APP 在偷听我说话，听我聊天来推商品。纠正：个性化推荐主要依靠你在 APP 内的浏览、搜索、点击、收藏、购买行为，并非麦克风窃听；手机系统权限也会限制 APP 随意录音。
• 误区：协同过滤就是简单看看别人买了什么，现在已经完全废弃不用。纠正：协同过滤的思想依旧在大规模使用，只是作为召回环节的一部分，不再作为完整主模型。
• 误区：Embedding 向量是平台给我打的文字标签。纠正：Embedding 是一串机器计算出来的数字，不是人类可读的标签，用来计算相似度。
• 误区：推荐只会记录短期浏览，很久以前的消费历史不会影响现在。纠正：模型会同时建模长期稳定偏好和当下短期意图，多年的消费习惯依旧会影响推荐结果。
• 误区：加入探索因子就可以彻底解决信息茧房。纠正：受商业点击率约束，探索只是小比例混入，不能完全消除茧房效应。
  

文末总结

淘宝 “猜你喜欢” 十几年迭代路径，可以简单概括：从 “找和你相似的人买什么”，到刻画你的长期消费底色，再到动态捕捉当下实时意图，到大模型理解语言背后的深层消费意图。
算法本身只是做行为与意图的数学匹配，它并没有真正读懂你的内心，只是基于你留下的每一次点击、浏览、搜索行为做预测。同时也要看到技术的局限：即便加入探索机制，信息茧房依旧客观存在。作为普通消费者，可以多主动搜索、主动浏览不同品类，主动打破算法给你划定的兴趣边界。