打开购物App，首页总能精准推送你最近想买的商品；刷短视频，一个接一个的内容仿佛知道你的喜好。这些背后，其实都有深度学习推荐系统的影子。
推荐系统是怎么进化的？
早期的推荐系统主要靠简单规则，比如“买过A的人也买了B”。后来协同过滤兴起，通过用户行为相似性做推荐，比如“和你口味相近的人喜欢这个”。但这类方法对冷启动问题束手无策——新用户没行为数据，就推不出东西。
深度学习的加入改变了局面。它能从海量行为中自动提取复杂模式，比如点击、停留时长、滑动速度，甚至页面是否看完，都成为模型理解偏好的线索。
深度模型如何工作？
以一个视频推荐场景为例，系统会把用户ID、历史观看记录、设备类型、时间等信息编码成向量。视频内容本身也会被处理，比如标题用文本模型提取语义，封面图用卷积网络分析视觉元素。
这些向量输入到神经网络中，常见结构如多层感知机（MLP）或注意力机制（Attention），最终输出每个视频被点击的概率。概率高的，就优先展示。
import torch
import torch.nn as nn
class DNNRecommender(nn.Module):
def __init__(self, user_dim, item_dim, hidden_dims):
super().__init__()
layers = []
input_dim = user_dim + item_dim
for h_dim in hidden_dims:
layers.append(nn.Linear(input_dim, h_dim))
layers.append(nn.ReLU())
input_dim = h_dim
self.mlp = nn.Sequential(*layers)
self.output = nn.Linear(hidden_dims[-1], 1)
def forward(self, user_vec, item_vec):
x = torch.cat([user_vec, item_vec], dim=1)
h = self.mlp(x)
return self.output(h)常见的架构有哪些？
YouTube在2016年发表的深度推荐模型是个经典案例：第一阶段用DNN从百万级视频中筛选几百个候选，第二阶段再精细打分排序。这种“召回+排序”的两步结构，现在仍是主流。
还有像Wide & Deep模型，把记忆性强的特征（如“用户点击过某类商品”）和泛化性强的深度特征结合，既保留经验，又能发现新兴趣。
为什么深度学习更适合推荐？
传统方法依赖人工设计特征，费时且容易遗漏关键信号。而深度学习可以端到端训练，自动融合多源信息——文本、图像、行为序列，甚至地理位置。
比如你在晚上十点用手机浏览露营装备，系统可能判断你是在睡前规划周末出行，而不是临时起意购买。这种上下文感知能力，正是深度模型的优势。
挑战依然存在
模型越深，越像“黑箱”，解释性变差。用户可能困惑：“为什么总给我推这个？”此外，数据偏差会导致推荐固化，比如只推热门内容，小众偏好被忽略。
实际部署中还要考虑响应速度。线上请求必须在几十毫秒内完成，所以模型常做蒸馏或剪枝，用小模型模仿大模型的效果。
深度学习推荐系统不是万能钥匙，但它确实让信息分发变得更个性化。未来，随着序列建模和强化学习的深入应用，推荐将更贴近真实生活中的决策过程。