推薦系統(tǒng)工程師成長路線圖

《Item-based collaborative filtering recommendation algorithms》這篇文章發(fā)表于2001年，在 Google 學(xué)術(shù)上顯示，其被引用次數(shù)已經(jīng)是6599了，可見其給推薦系統(tǒng)帶來的影響之大。經(jīng)過20多年的發(fā)展，item-based 已經(jīng)成為推薦系統(tǒng)的標(biāo)配，而推薦系統(tǒng)已經(jīng)成為互聯(lián)網(wǎng)產(chǎn)品的標(biāo)配。很多產(chǎn)品甚至在第一版就要被投資人或者創(chuàng)始人要求必須“個(gè)性化”，可見，推薦系統(tǒng)已經(jīng)飛入尋常百姓家，作為推薦系統(tǒng)工程師的成長也要比從前更容易，要知道我剛工作時(shí)，即使跟同為研發(fā)工程師的其他人如 PHP 工程師（絕無黑的意思，是真的）說“我是做推薦的”，他們也一臉茫然，不知道“推薦”為什么是一個(gè)工程師崗位。如今縱然“大數(shù)據(jù)”，“AI”，這些詞每天360度無死角轟炸我們，讓我們很容易浮躁異常焦慮不堪，但不得不承認(rèn)，這是作為推薦系統(tǒng)工程師的一個(gè)好時(shí)代。

推薦系統(tǒng)工程師和正常碼農(nóng)們相比，無需把 PM 們?nèi)舆^來的需求給像素級(jí)實(shí)現(xiàn)，從而堆碼成山；和機(jī)器學(xué)習(xí)研究員相比，又無需沉迷數(shù)學(xué)推導(dǎo)，憋出一個(gè)漂亮自洽的模型，一統(tǒng)學(xué)術(shù)界的爭論；和數(shù)據(jù)分析師相比，也不需繪制漂亮的圖表，做出酷炫的 PPT 能給 CEO 匯報(bào)，走上人生巔峰。那推薦系統(tǒng)工程師的定位是什么呢？為什么需要前面提到的那些技能呢？容我結(jié)合自身經(jīng)歷來一一解答。

我把推薦系統(tǒng)工程師的技能分為四個(gè)維度：

掌握核心原理的技能，是一種知其所以然的基礎(chǔ)技能；

動(dòng)手能力：實(shí)現(xiàn)系統(tǒng)，檢驗(yàn)想法，都需要扎實(shí)的工程能力；

為效果負(fù)責(zé)的能力：這是推薦系統(tǒng)工程師和其他工種的最大區(qū)別；

軟技能：任何工程師都需要自我成長，需要團(tuán)隊(duì)協(xié)作。

英文閱讀：讀頂級(jí)會(huì)議的論文、一流公司和行業(yè)前輩的經(jīng)典論文和技術(shù)博客，在Quora 和 Stack Overflow 上和人交流探討；

代碼閱讀：能閱讀開源代碼，從中學(xué)習(xí)優(yōu)秀項(xiàng)目對(duì)經(jīng)典算法的實(shí)現(xiàn)；

溝通表達(dá)：能夠和其他崗位的人員溝通交流，講明白所負(fù)責(zé)模塊的原理和方法，能聽懂非技術(shù)人員的要求和思維，能分別真?zhèn)涡枨蟛⑶夷苓_(dá)成一致。

掌握最最基礎(chǔ)的原理

托開源的福氣，現(xiàn)在有很多開箱即用的工具讓我們很容易搭建起一個(gè)推薦系統(tǒng)。但是浮沙上面筑不起高塔，基礎(chǔ)知識(shí)必須要有，否則就會(huì)在行業(yè)里面，被一輪輪概念旋風(fēng)吹得找不著北。所有基礎(chǔ)里面，最最基礎(chǔ)的當(dāng)然就是數(shù)學(xué)了。

能夠看懂一些經(jīng)典論文對(duì)于實(shí)現(xiàn)系統(tǒng)非常有幫助：從基本假設(shè)到形式化定義，從推導(dǎo)到算法流程，從實(shí)驗(yàn)設(shè)計(jì)到結(jié)果分析。這些要求我們對(duì)于微積分有基本的知識(shí)，有了基本的微積分知識(shí)才能看懂梯度下降等基本的優(yōu)化方法。概率和統(tǒng)計(jì)知識(shí)給我們建立起一個(gè)推薦系統(tǒng)工程師最基本的三觀：不要以是非絕對(duì)的眼光看待事物，要有用不確定性思維去思考產(chǎn)品中的每一個(gè)事件，因?yàn)閷?shí)現(xiàn)推薦系統(tǒng)，并不是像實(shí)現(xiàn)界面上一個(gè)按鈕的響應(yīng)事件那樣明確可檢驗(yàn)。

大數(shù)據(jù)構(gòu)建了一個(gè)高維的數(shù)據(jù)空間，從數(shù)據(jù)到推薦目標(biāo)基本上都可以用矩陣的角度去形式化，比如常見的推薦算法：協(xié)同過濾、矩陣分解。而機(jī)器學(xué)習(xí)算法，如果用矩陣運(yùn)算角度去看，會(huì)讓我們更加能夠理解“向量化計(jì)算”和傳統(tǒng)軟件工程里面的循環(huán)之間的巨大差異。高維向量之間的點(diǎn)積，矩陣之間的運(yùn)算，如果用向量化方式實(shí)現(xiàn)比用循環(huán)方式實(shí)現(xiàn)，高效不少。建立這樣的思維模式，也需要學(xué)好線性代數(shù)。

學(xué)好基礎(chǔ)的數(shù)學(xué)知識(shí)之外，我們要稍微延伸學(xué)習(xí)一些信息科學(xué)的基礎(chǔ)學(xué)科，尤其是信息論。信息論是構(gòu)建在概率基礎(chǔ)上的，信息論給了很多計(jì)算機(jī)領(lǐng)域問題一個(gè)基本的框架：把問題看做是通信問題。推薦系統(tǒng)要解決的問題也是一個(gè)通信問題：用戶在以很不明確的方式向我們的產(chǎn)品發(fā)報(bào)，告訴我們他最喜歡/討厭的是什么，我們在收到了之后要解碼，并且還要給他們回信，如果溝通不順暢，那用戶就會(huì)失聯(lián)。我的專業(yè)是信息與通信工程。讀研時(shí)從事過 NLP 相關(guān)的課題研究，NLP 里面很多問題和方法都用到了信息論知識(shí)，這樣讓我深受信息論影響。有了這些基礎(chǔ)知識(shí)，再去跟蹤不斷涌現(xiàn)的新算法新模型，就會(huì)容易得多。

推薦系統(tǒng)會(huì)用到很多傳統(tǒng)數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)方法。掌握經(jīng)典的機(jī)器學(xué)習(xí)算法是一個(gè)事半功倍的事情，比如邏輯回歸，是一個(gè)很簡單的分類算法，但它在推薦領(lǐng)域應(yīng)用之廣，其他算法無出其右。在吳恩達(dá)的深度學(xué)習(xí)課程里，從邏輯回歸入手逐漸講到多層神經(jīng)網(wǎng)絡(luò)，講到更復(fù)雜的 RNN 等。應(yīng)該怎么掌握這些經(jīng)典的算法呢？最直接的辦法是：自己從0實(shí)現(xiàn)一遍。

推薦系統(tǒng)不只是模型，推薦系統(tǒng)是一整個(gè)數(shù)據(jù)處理流程，所以模型的上游，就是一些數(shù)據(jù)挖掘的知識(shí)也需要掌握，基本的分類聚類知識(shí)，降維知識(shí)，都要有所掌握。

鍛煉扎實(shí)的工程能力

前面強(qiáng)調(diào)自己實(shí)現(xiàn)算法對(duì)于掌握算法的必要性，但在實(shí)際開發(fā)推薦系統(tǒng)的時(shí)候，如無必要，一定不要重復(fù)造輪子。推薦系統(tǒng)也是一個(gè)軟件系統(tǒng)，當(dāng)然要穩(wěn)定要高效。開源成熟的輪子當(dāng)然是首選。實(shí)現(xiàn)推薦系統(tǒng)，有一些東西是 commonsense，有一些是好用的工具，都有必要列出來。

首當(dāng)其沖的常識(shí)就是 Linux 操作系統(tǒng)。由于 Windows 在 PC 的市場占率的壟斷地位，導(dǎo)致很多軟件工程師只會(huì)在 Windows 下開發(fā)，這是一個(gè)非常普遍、嚴(yán)重、又容易被忽視的短板。

我自己深有體會(huì)，一定要熟練地在 Linux 下的用命令行編程，如果你的個(gè)人電腦是 Mac，會(huì)好很多，因?yàn)?macOS 底層是 Unix 操作系統(tǒng)，和 Linux 是近親，用 Mac 的終端基本上類似在 Linux 下的命令行，如果不是則一定要有自己的 Linux 環(huán)境供自己平時(shí)練習(xí)，買一臺(tái)常備的云服務(wù)器是一個(gè)不錯(cuò)的選擇。這里有兩個(gè)關(guān)鍵點(diǎn)：

用 Linux 操作系統(tǒng)；

多用命令行而少用 IDE（ Eclipse、VS等）。

為什么呢？有以下三點(diǎn)原因：

幾乎所有推薦系統(tǒng)要用到的開源工具都是首先在 Linux 下開發(fā)測試完成的，最后再考慮移植到 Windows 平臺(tái)上（測試不充分或者根本不移植）；

鍵盤比鼠標(biāo)快，用命令行編程會(huì)多用鍵盤，少用鼠標(biāo)，熟悉之后效率大大提升。而且Linux 下的命令非常豐富，處理的也都是標(biāo)準(zhǔn)文本，掌握之后很多時(shí)候根本不用寫程序就能做很多數(shù)據(jù)處理工作。

幾乎 Linux 是互聯(lián)網(wǎng)公司的服務(wù)器操作系統(tǒng)標(biāo)配，不會(huì) Linux 下的開發(fā)，就找不著工作，就問你怕不怕？

常常有人問我，實(shí)現(xiàn)推薦系統(tǒng)用什么編程語言比較好。標(biāo)準(zhǔn)的官方回答是：用你擅長的語言。但我深知這個(gè)回答不會(huì)解決提問者的疑問。實(shí)際上我的建議是：你需要掌握一門編譯型語言：C++ 或者 Java，然后掌握一門解釋型語言，推薦 Python 或者 R。原因如下：

推薦系統(tǒng)的開源項(xiàng)目中以這幾種語言最常見；

快速的數(shù)據(jù)分析和處理、模型調(diào)試、結(jié)果可視化、系統(tǒng)原型實(shí)現(xiàn)等，Python 和 R 是不錯(cuò)的選擇，尤其是 Python；

當(dāng)Python在一些地方有效率瓶頸時(shí)，通常是用C++實(shí)現(xiàn)，再用Python調(diào)用；

Java在構(gòu)建后臺(tái)服務(wù)時(shí)很有優(yōu)勢，一些大數(shù)據(jù)開源項(xiàng)目也多用Java來實(shí)現(xiàn)；

如果時(shí)間有限，只想掌握一門語言的話，推薦 Python。從模型到后端服務(wù)到 web 端，都可以用 Python，毋庸置疑，Python 是 AI 時(shí)代第一編程語言。

推薦系統(tǒng)是一個(gè)線上的產(chǎn)品，無論離線時(shí)的模型跑得多么爽，可視化多么酷炫，最終一定要做成在線服務(wù)才完整。這就涉及到兩方面的工作：1.系統(tǒng)原型；2.算法服務(wù)化。這涉及到：

數(shù)據(jù)存儲(chǔ)。包括存儲(chǔ)模型用于在線實(shí)時(shí)計(jì)算，存儲(chǔ)離線計(jì)算好的推薦結(jié)果。除了傳統(tǒng)的關(guān)系型數(shù)據(jù)庫 MySQL 之外，還需要掌握非關(guān)系型數(shù)據(jù)庫，如 KV 數(shù)據(jù)庫 Redis，列式數(shù)據(jù)庫 Cassandra 和 HBase 常常用來存儲(chǔ)推薦結(jié)果或模型參數(shù)。推薦的候選 Item 也可能存在 MongoDB 中。

RPC 和 web。需要將自己的算法計(jì)算模塊以服務(wù)的形式提供給別人跨進(jìn)程跨服務(wù)器調(diào)用，因此 RPC 框架就很重要，最流行如 thrift 或者 dubbo。在 RPC 服務(wù)之上，再做原型還需要會(huì)一點(diǎn)基本的 web 開發(fā)知識(shí)，Python、PHP、Java 都有相應(yīng)的 web 框架來迅速的完成最基本的推薦結(jié)果展示。

當(dāng)然，最核心的是算法實(shí)現(xiàn)。以機(jī)器學(xué)習(xí)算法為主。下面詳細(xì)列舉一下常見的機(jī)器學(xué)習(xí)/深度學(xué)習(xí)工具：

Spark MLib：大概是使用最廣的機(jī)器學(xué)習(xí)工具了，因?yàn)?Spark 普及很廣，帶動(dòng)了一個(gè)并非其最核心功能的 MLib，MLib 實(shí)現(xiàn)了常見的線性模型、樹模型和矩陣分解模型等。提供 Scala、Java 和 Python 接口，提供了很多例子，學(xué)習(xí) Spark MLib 很值得自己運(yùn)行它提供的例子，結(jié)合文檔和源代碼學(xué)習(xí)接口的使用，模型的序列化和反序列化。

GraphLab/GraphCHI：GraphCHI 是開源的單機(jī)版，GraphLab 是分布式的，但并不開源。所以建議推薦系統(tǒng)工程師重點(diǎn)學(xué)習(xí)一下 GraphCHI，它有 Java 和 C++兩個(gè)版本，實(shí)現(xiàn)了常見的推薦算法，并在單機(jī)上能跑出很高的結(jié)果。有一個(gè)不得不承認(rèn)的事實(shí)是：GraphCHI 和 GraphLab 在業(yè)界應(yīng)用得并不廣泛。

Angel：騰訊在2017年開源的分布式機(jī)器學(xué)習(xí)平臺(tái)，Java 和 Scala 開發(fā)而成，已經(jīng)在騰訊的10億維度下有工業(yè)級(jí)別的應(yīng)用，最終的是填補(bǔ)了專注傳統(tǒng)機(jī)器學(xué)習(xí)（相對(duì)于深度學(xué)習(xí)）分布式計(jì)算的空白，值得去學(xué)習(xí)一下；由于開發(fā)團(tuán)隊(duì)是中國人，所以文檔以中文為主，學(xué)習(xí)的時(shí)候多多和開發(fā)團(tuán)隊(duì)交流會(huì)受益良多，進(jìn)步神速。

VW：這是 Yahoo 開源的一個(gè)分布式機(jī)器學(xué)工具，也支持單機(jī)，分布式需要借助Hadoop 實(shí)現(xiàn)。由于主要開發(fā)者后來跳槽去了微軟，所以還支持 Windows 平臺(tái)。閱讀這個(gè)工具的源碼，非常有助于理解邏輯回歸的訓(xùn)練，微博推薦團(tuán)隊(duì)和廣告團(tuán)隊(duì)第一版模型訓(xùn)練都采用了 VW，其開發(fā)者在 Yahoo Group 中回答問題很積極，使用期間，我在這個(gè)group 里面提了大大小小十幾個(gè)問題，基本上都得到解答，這是一個(gè)學(xué)習(xí)成長方法，建議新學(xué)者常常在郵件組或者討論組里提問題，不要在乎問題是否愚蠢，不要在意別人的取笑。

Xgboost：這個(gè)號(hào)稱 kaggle 神器的機(jī)器學(xué)習(xí)工具，非常值得學(xué)習(xí)和使用，尤其是對(duì)于理解 Boosting 和樹模型很有幫助。網(wǎng)上有很多教程，主要開發(fā)者陳天奇也是中國人，所以遇到問題是非常容易找到交流的人的。

libxxx：這里的xxx是一個(gè)通配符，包括以 lib 開頭的各種機(jī)器學(xué)習(xí)工具，如liblinear、libsvm、libfm、libmf。都是單機(jī)版的工具，雖然是單機(jī)版，但足夠解決很多中小型數(shù)據(jù)集的推薦問題了，著名的 scikit-learn 中的一些分類算法就是封裝的libsvm 等工具。另外，libsvm 不但是一個(gè)機(jī)器學(xué)習(xí)工具，而且它還定義了一種應(yīng)用廣泛，成為事實(shí)標(biāo)準(zhǔn)的機(jī)器學(xué)習(xí)訓(xùn)練數(shù)據(jù)格式：libsvm。

MXNet，TensorFlow，Caffe：深度學(xué)習(xí)大行其道，并且在識(shí)別問題上取到了驚人的效果，自然也間接推動(dòng)了推薦系統(tǒng)的算法升級(jí)，因此，掌握深度學(xué)習(xí)工具的就很必要，其中尤其以 TensorFlow 為主，它不但有深度學(xué)習(xí)模型的實(shí)現(xiàn)，還有傳統(tǒng)機(jī)器學(xué)習(xí)模型的實(shí)現(xiàn)，Python 接口，對(duì)于掌握 Python 的人來說學(xué)習(xí)門檻很低。深度學(xué)習(xí)工具仍然建議去跑幾個(gè)例子，玩一些有趣的東西會(huì)快速入門，如給照片換風(fēng)格，或者訓(xùn)練一個(gè)動(dòng)物/人臉識(shí)別器，可以有一些粗淺的認(rèn)識(shí)。再系統(tǒng)地學(xué)習(xí)一下吳恩達(dá)的在線課程，他的課程對(duì)TensorFlow 的使用也有講解，課后編程作業(yè)設(shè)計(jì)得也很好。

為最終效果負(fù)責(zé)的能力

推薦系統(tǒng)最終要為產(chǎn)品效果負(fù)責(zé)。衡量推薦系統(tǒng)效果，分為離線和在線兩個(gè)階段。

離線階段。跑出一些模型，會(huì)有定義清晰的指標(biāo)去衡量模型本身對(duì)假設(shè)的驗(yàn)證情況，如準(zhǔn)確率、召回率、AUC 等。這個(gè)階段的效果好，只能說明符合預(yù)期假設(shè)，但不能保證符合產(chǎn)品最終效果，因此還要有線上實(shí)際的檢驗(yàn)。

在線階段：除了有一些相對(duì)通用的指標(biāo)，如用戶留存率、使用時(shí)長、點(diǎn)擊率等，更多的是和產(chǎn)品本身的定位息息相關(guān)，如短視頻推薦關(guān)注 vv，新聞推薦關(guān)注 CTR 等，這些和商業(yè)利益結(jié)合更緊密的指標(biāo)才是最終檢驗(yàn)推薦系統(tǒng)效果的指標(biāo)，推薦系統(tǒng)工程師要為這個(gè)負(fù)責(zé)，而不能僅僅盯著離線部分和技術(shù)層面的效果。

了解不同產(chǎn)品的展現(xiàn)形式對(duì)推薦系統(tǒng)實(shí)現(xiàn)的要求，feed 流、相關(guān)推薦、猜你喜歡等不同產(chǎn)品背后技術(shù)要求不同，效果考核不同，多觀察、多使用、多思考。

最后，要學(xué)會(huì)用產(chǎn)品語言理解產(chǎn)品本身，將技術(shù)能力作為一種服務(wù)輸出給團(tuán)隊(duì)其他成員是一項(xiàng)軟技能。

推薦系統(tǒng)領(lǐng)域現(xiàn)狀

協(xié)同過濾提出于90年代，至今二十幾年，推薦系統(tǒng)技術(shù)上先后采用過近鄰?fù)扑]、基于內(nèi)容的推薦，以矩陣分解為代表的機(jī)器學(xué)習(xí)方法推薦，最近幾年深度學(xué)習(xí)的火熱自然也給推薦系統(tǒng)帶來了明顯的提升。推薦系統(tǒng)的作用無人質(zhì)疑，簡單舉幾個(gè)例子，80%的 Netflix 電影都是經(jīng)由推薦系統(tǒng)被觀眾觀看的，YouTube 上60%的點(diǎn)擊事件是由推薦系統(tǒng)貢獻(xiàn)的。

推薦系統(tǒng)領(lǐng)域現(xiàn)狀是怎么樣的呢？這里分別從技術(shù)上和產(chǎn)品上來看一看。先看技術(shù)上，推薦系統(tǒng)所依賴的技術(shù)分為三類：傳統(tǒng)的推薦技術(shù)、深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)。

首先，傳統(tǒng)的推薦技術(shù)仍然非常有效。構(gòu)建第一版推薦系統(tǒng)仍然需要這些傳統(tǒng)推薦系統(tǒng)技術(shù)，這包括：User-based 和 Item-based 近鄰方法，以文本為主要特征來源的基于內(nèi)容推薦，以矩陣分解為代表的傳統(tǒng)機(jī)器學(xué)習(xí)算法。當(dāng)一個(gè)互聯(lián)網(wǎng)產(chǎn)品的用戶行為數(shù)據(jù)積累到一定程度，我們用這些傳統(tǒng)推薦算法來構(gòu)建第一版推薦系統(tǒng)，大概率上會(huì)取得不俗的成績，實(shí)現(xiàn)0的突破。這類傳統(tǒng)的推薦算法已經(jīng)積累了足夠多的實(shí)踐經(jīng)驗(yàn)和開源實(shí)現(xiàn)。由于對(duì)推薦系統(tǒng)的需求比以往更廣泛，并且這些技術(shù)足夠成熟，所以這類技術(shù)有 SaaS 化的趨勢，逐漸交給專門的第三方公司來做，中小型、垂直公司不會(huì)自建團(tuán)隊(duì)來完成。

深度學(xué)習(xí)在識(shí)別問題上取得了不俗的成績，自然就被推薦系統(tǒng)工程師們盯上了，已經(jīng)結(jié)合到推薦系統(tǒng)中，比如 YouTube 用 DNN 構(gòu)建了他們的視頻推薦系統(tǒng)，Google 在Google Play 中使用 Wide & Deep 模型，結(jié)合了淺層的 logisticregression 模型和深層模型進(jìn)行 CTR 預(yù)估，取得了比單用淺層模型或者單獨(dú)的深層模型更好的效果，Wide & Deep 模型也以開源的方式集成在了 TensorFlow 中，如今很多互聯(lián)網(wǎng)公司，都在廣泛使用這一深度學(xué)習(xí)和淺層模型結(jié)合的模型。在2014年，Spotify 就嘗試了 RNN 在序列推薦上，后來 RNN 又被 Yahoo News 的推薦系統(tǒng)。傳統(tǒng)推薦算法中有一個(gè)經(jīng)典的算法叫做 FM，常用于做 CTR 預(yù)估，算是一種淺層模型，最近也有人嘗試了結(jié)合深度學(xué)習(xí)，提出 DeepFM 模型用于 CTR 預(yù)估。

AlphaGo、AlphaMaster、AlphaZero一個(gè)比一個(gè)厲害，其開掛的對(duì)弈能力，讓強(qiáng)化學(xué)習(xí)進(jìn)入大眾視線。強(qiáng)化學(xué)習(xí)用于推薦系統(tǒng)是一件很自然的事情，把用戶看做變化的環(huán)境，而推薦系統(tǒng)是 Agent，在和用戶的不斷交互之間，推薦系統(tǒng)就從一臉懵逼到逐漸“找到北”，迎合了用戶興趣。業(yè)界已有應(yīng)用案例，阿里的研究員仁基就公開分享過淘寶把強(qiáng)化學(xué)習(xí)應(yīng)用在搜索推薦上的效果。強(qiáng)化學(xué)習(xí)還以 bandit 算法這種相對(duì)簡單的形式應(yīng)用在推薦系統(tǒng)很多地方，解決新用戶和新物品的冷啟動(dòng)，以及取代 ABTest 成為另一種在線實(shí)驗(yàn)的框架。

除了技術(shù)上推薦系統(tǒng)有不同側(cè)重，產(chǎn)品形式上也有不同的呈現(xiàn)。最初的推薦系統(tǒng)產(chǎn)品總是存活在產(chǎn)品的邊角上，如相關(guān)推薦，這種產(chǎn)品形式只能算是“錦上添花”，如果推薦系統(tǒng)不小心開了天窗，也不是性命攸關(guān)的問題。如今推薦產(chǎn)品已經(jīng)演化成互聯(lián)網(wǎng)產(chǎn)品的主要承載形式：信息流。從最早的社交網(wǎng)站動(dòng)態(tài)，到圖文信息流，到如今的短視頻。信息流是一種推薦系統(tǒng)產(chǎn)品形式，和相關(guān)推薦形式比起來，不再是錦上添花，而是注意力收割利器。

推薦系統(tǒng)產(chǎn)品形式的演進(jìn)，背景是互聯(lián)網(wǎng)從 PC 到移動(dòng)的演進(jìn)，PC 上是搜索為王，移動(dòng)下是推薦為王，自然越來越重要。隨著各種可穿戴設(shè)備的豐富，越來越多的推薦產(chǎn)品還會(huì)涌現(xiàn)出來。產(chǎn)品和技術(shù)相互協(xié)同發(fā)展，未來會(huì)有更多有意思的推薦算法和產(chǎn)品形式問世，成為一名推薦系統(tǒng)工程師永遠(yuǎn)都不晚。

文 / 陳開江