推薦系統正成為所有領域的一種標配

近段時間團隊在擴建演算法小組，首當其衝的崗位就是推薦演算法工程師，然而歷經

一、兩個月的招聘後，卻發現乙個事實，推薦演算法工程師太難招了。

要麼根本就約不過來，要麼就是手裡拽著好幾個 offer 騎驢找馬不亦樂乎，又或者是給人家發了 offer，人家根本就不 care。

隨著移動網際網路的進一步發展，從各種各樣的渠道不難發現，人們的注意力正在不斷的從 pc 端往移動端遷移。

除此之外，雖然中國的基礎技術建設方面依然落後於美國等發達國家，但是據傳聞中國的網際網路應用已經走在了世界的前列，美國很多公司已經在複製中國網際網路企業模式。

換種角度說，在國內，各類應用的開發已經到了「喪心病狂」的地步了，即你會發現各個領域，應用的同質化已經非常嚴重。

上述的兩個重大原因，會讓使用者在單一的應用中，其停留的時間以及注意力將會越來越少，這也就是為何說，人們的耐心正在逐漸的降低。

面臨海量資訊選擇困難症，如何快速的為使用者篩選有效以及有用資訊成為了首要解決的問題，於是，能夠理解使用者以及用於替代海量資訊平鋪陳列的推薦模式成為了潮流。

具體聊推薦之前，我們先來了解一下獲取資訊的兩種基本機制，第一是主動獲取，第二是被動獲取。

主動獲取資訊很容易理解，我們是抱著很明顯的目的去執行，即在獲取資訊之前對於將要獲取的資訊已經有了比較明確的定義，在我們去觸達的時候，會有比較明確的思路，以及對於即將要獲取的資訊所付出的成本也有一定的心理預期。

對於資訊主動獲取的方式，最典型的有兩種，乙個是搜尋，另乙個是導航。

對於另乙個主動資訊獲取的方式，即導航，在門戶時代，門戶**的分門別類的各色頻道，以及頻道下對應的各級選單其實就是一種導航，再到目前國內遙遙領先世界的電子商務領域，其各色平台，少不了的就是類目導航。

導航提供的是一種通用的目錄結構，人們通過對資訊的認知，再結合通用的樹狀結構，逐步檢索到自己需要的資訊。

同樣，通過導航獲取資訊的方式也需要花費巨大操作成本（與搜尋相比），但在主動需求的平衡中，這種成本的支出是可預期的。

但是很遺憾，對於大部分的場景中，至少過半的使用者並不是抱著乙個很明確的目的去使用的，大部分都是一種隨意看看、隨便逛逛的心態，這就意味著被動資訊獲取的場景我們同樣需要去滿足。

雖然使用者是隨便看看、隨便逛逛，但作為被逛的主體方可不能帶著這種心態，我們必須在使用者的隨便行為中，把使用者給牢牢吸引住，不然就不知不覺給逛走了。

這就是涉及到了被動資訊獲取機制中的推薦。對於使用者來說，推薦是一種被動的行為，主體方意圖通過推薦的方式將最吸引使用者或者說使用者最可能感興趣的東西被動呈現給使用者。

通過推薦的方式，縮短使用者與其潛在需求資訊的路徑，從而提公升使用者的體驗、提公升使用者的粘性。

在上面，對於推薦的大致市場**，以及推薦產生的背景，以及分析資訊獲取的幾種機制，最終確定推薦系統確實是乙個剛需，現在具體來看看一些常見的推薦系統場景，以及分析其具體能解決什麼問題。

通過下面的幾個例子，對於推薦系統場景化的認識或許可以加強，以及具體推薦以一種什麼樣的形態去展現。

當然，這裡我們只是做乙個場景的熟悉，並不是要去評估乙個推薦列表的好壞。

但需要順帶說一下的就是，乙個完整的推薦系統，推薦演算法並不是它的全部，甚至很多時候乙個推薦列表的生成也並不單純的依賴於某個推薦演算法。

整個推薦系統，承載演算法的模型層只是其中最重要的一環，除此之外還有整個演算法架構、工程架構、策略引擎，甚至包括推薦系統中涉及的一些產品思維，這些在本系列中將會逐一進行闡述。

從其推薦理由的設計來看，其推薦列表的生成與當前書本的關聯性會比較大，以及通過觀測與當前主體的屬性關聯性也很強。

不難發現，上述列了三個不同領域，三個不同推薦場景其推薦欄位的欄位名稱，我們一般更喜歡稱其為推薦理由，都是不盡相同的，推薦理由是推薦系統中的乙個重要組成成分，甚至很多時候會在推薦轉化的過程中，起到重要的作用。

說到推薦的場景，不得不說的就是電商領域，電商平台是最早引入個性化推薦系統的領域，對的，說的就是亞馬遜，可謂是推薦系統的鼻祖了，並且整個推薦的發展程序，亞馬遜的 push 作用確實是不容忽視。

不止如此，面對著使用者時間的碎片化，以及資訊的同質化/海量化，以及使用者耐心的減少，各個領域都需要解決同樣的問題：如何最快的去留住使用者，縮減使用者獲取有用資訊的路徑。而推薦，或者說個性化推薦系統是當前相對比較好的一種解決方案，推薦正成為所有領域的一種標配。