一句话定义：推荐系统（Recommender System）是在信息过载的场景里，从海量候选中挑出你大概率会感兴趣的少数几项，并按优先级排好顺序呈现给你的软件系统。
它到底在做什么
很多人以为推荐系统“懂我”，其实它做的是一个很朴素的概率活：根据你过去的行为，估计你对每个候选物品的喜好程度，然后按分数从高到低排序。
工业界的推荐系统通常分三层。第一层是召回（Recall / Candidate Generation）：面对几百万条内容，先粗筛出几百到几千条“有可能相关”的。第二层是排序（Ranking）：用更复杂的模型，逐个给这些候选打分。第三层是重排（Re-ranking）：加上业务规则，比如不能一屏全是同一类、不能重复、要给新内容留位置。
打个超市的比方：召回像是让几个店员各自去仓库搬来几箱可能合你口味的货；排序是把这些货摆到同一个货架上，按你喜欢的可能性排先后；重排则是最后检查一遍陈列规则，别让货架看起来太单调。
信号从哪来
用户的反馈大致分两类：显式反馈（explicit feedback）是打分、点赞、点“不感兴趣”；隐式反馈（implicit feedback）是点击、停留时长、滑走、加购。后者量大但嘈杂，前者量小但明确。
模型的核心手法是把用户和物品都变成一串数字，也就是向量（embedding），再用相似度（similarity，常见如AI 词典：余弦相似度">余弦相似度）衡量远近。这里有两个经典流派：
| 协同过滤（Collaborative Filtering） | 基于内容的推荐（Content-based） | |
|---|---|---|
| 依据 | “和你口味相似的人还喜欢什么” | “和你以前喜欢的东西相似的东西” |
| 优势 | 能发现跨品类的新兴趣 | 新物品也能被理解，不依赖他人行为 |
| 短板 | 新用户、新物品难处理 | 容易越推越窄，跳不出旧口味 |
实际产品里两者通常是混着用的，还会加上热度、时效、多样性等信号。
和相邻概念的区别
搜索（Search）是用户主动说出意图，推荐是系统主动猜意图；广告系统（Ad System）的排序目标里混着出价和商业收益，推荐系统更多优化用户的点击与长期留存；排序模型（Learning to Rank）只是推荐系统里的一个零件，不是整体。
对实际工作意味着什么
对从业者：离线指标好看不等于线上有效，必须靠 A/B 实验验证；冷启动（cold start）——新用户没行为、新物品没曝光——是长期难题；还要警惕反馈闭环（feedback loop）：系统只推你点过的东西，你只点系统推的东西，结果越来越窄，同时热门内容越来越占便宜，这叫流行度偏差（popularity bias）。
对普通人：你看到的那一屏不是“客观最优”，而是某个目标函数下的排序结果。最有效的“调教”手段其实很简单——多用“不感兴趣”，少用无意识的点击，因为你的每一次停留，都会被记成一次投票。