AI 驱动的电商推荐系统：从规则引擎到大模型

如果你在十年前打开一个电商首页，看到的「猜你喜欢」基本是基于浏览历史 + 简单规则匹配出来的。今天再打开，背后已经是参数量数十亿、跨模态理解的大模型。技术演进的节奏比许多人想象的快。 一、第一代：规则与协同过滤 最早期的电商推荐就两件事。一是规则——「买了 A 的人下一步常买 B，所以给买 A 的人推 B」；二是协同过滤——把相似行为的用户聚成一类，互相借用购物清单。这套方法实现简单、可解释强，至今仍是中小型电商的标配。缺点也明显：冷启动差（新用户、新商品没数据）、长尾覆盖弱、跨类目推荐能力几乎为零。 二、第二代：深度学习召回 + 排序 2016 年前后，YouTube 论文公开了 Deep Neural Networks for Recommender Systems，把召回与排序拆成两阶段、用神经网络替代规则。电商行业大规模跟进。从那时起，「百千万维特征喂进 DNN」成为大平台的标准做法。这一代的优势是能融合多源特征（点击、停留、加购、收藏、社交关系）；劣势是模型像黑盒，运营人员很难凭直觉调优。 三、第三代：大模型 + 多模态 2023 年后，大语言模型的能力外溢到推荐场景。新方向有三个： 1. 用 LLM 做查询理解。用户输入「夏天露营带的小炉子」，模型直接理解意图，拉出来的不仅是「炉子」类目，还包含「便携气罐」「防风打火机」「户外水壶」； 2. 用多模态模型做视觉召回。商品图、短视频帧、用户上传的灵感图都能进入同一个向量空间，搜「这种感觉的家居」就能找到风格相近的商品； 3. 用大模型生成商品描述、个性化营销文案，减少人工运营成本。 四、对中小商家的影响 大模型并不只属于平台。开源生态里有 BGE、E5 这类轻量级 embedding 模型，自己跑也行；调用云端推理 API 一千次几毛钱，小商家也用得起。真正的差距已经不在于「有没有 AI」，而在于「敢不敢、知不知道在哪里用」。 推荐这件事，本质上是「在尽可能少的曝光里，把用户最可能想要的商品送到眼前」。算法迭代很快，但商家要做的事其实没变——把商品信息（标题、图、参数）填得完整、把用户标签积累起来，剩下交给算法去发挥。