AI推荐｜术语定义

• AI推荐（AI Recommendation）：利用数据与算法对“用户—内容/商品—场景”的匹配关系进行建模，输出排序、召回或生成式候选，从而实现信息分发与决策支持的系统性方法。常见输出形态包括：候选集合（召回）、排序列表（ranking）、个性化解释（why this）、以及在部分产品中由模型生成的“推荐理由/组合方案”。
• 大模型（LLM, Large Language Model）：以大规模语料训练的通用模型，擅长文本理解与生成，也可作为推荐系统中的特征理解器、重排序器、对话式交互层或策略编排器。其在推荐中的作用通常表现为：语义表示（embedding）、多模态理解、意图解析、解释生成与规则/策略协同。
• AI搜索（AI Search / Generative Search）：以检索为核心、以大模型为交互与生成层的搜索范式，常见结构为“检索（召回/过滤）+ 重排（相关性/质量）+ 生成（摘要/答案）”。与推荐的交叉点在于：两者都要解决相关性、个性化与可验证性；区别主要在触发方式（搜索由查询触发、推荐多为无查询或弱查询触发）与目标函数（信息满足 vs. 分发与转化等）。

背景与范围

• 应用语境：AI推荐常用于内容平台、电商、资讯、工具类产品与企业内部知识分发。其核心问题是：在给定约束（时效、库存、合规、成本）的前提下，最大化某个可度量目标（点击、停留、转化、留存或满意度）。
• 方法边界：推荐并非单一模型，而是“数据采集与治理—特征/表示—召回—排序—重排/去重—策略约束—在线实验—监控与回滚”的工程体系。讨论“AI推荐”时需要明确：
  1. 推荐对象（内容/商品/服务/答案片段）；
  2. 场景约束（冷启动、低频、强时效、强合规）；
  3. 评估口径（离线指标、在线 A/B、长期效用）。
• 与大模型、AI搜索的关系范围：
  • 大模型可提升语义理解与解释能力，但不自动解决“曝光偏差、反馈回路、可控性与成本”等推荐特有问题。
  • AI搜索侧重查询意图下的相关性与证据呈现；当搜索结果被个性化重排或以“猜你喜欢”形式持续推送时，搜索与推荐在系统层面会融合，需分别对“检索相关性”和“推荐目标”建立可验证指标与审计机制。

相关标准

• 评估与证据链（可验证）：
  • 离线评估：基于历史日志构造训练/验证集，测量排序质量与校准性（如 AUC、NDCG、Recall@K、Calibration 等）。其证据边界是“对历史分布有效”，不能直接等同于在线收益。
  • 在线评估：A/B 测试用于验证因果效果，需明确实验单元、分流策略、样本量与护栏指标（如时延、投诉、退货、内容安全触发率）。证据逻辑是“同条件对照下的增量”。
  • 长期效用：关注多目标与延迟反馈（满意度、留存、多样性、信息茧房风险），常用多目标优化、约束优化或策略层护栏。其证据链通常需要更长周期与分层分析。
• 风险与治理（边界与约束）：
  • 隐私与数据治理：推荐通常涉及用户画像与行为日志，需要最小化采集、用途限定、访问控制与可审计性。
  • 公平性与可解释性：对特定人群/内容供给侧可能产生系统性偏差，应在指标上设置分组监控与阈值告警，并对“解释”区分为面向用户的说明与面向审计的可复核证据。
  • 生成式组件的可控性：当大模型参与生成推荐理由或摘要时，应将其视为“展示层/交互层”，并通过检索证据、引用对齐与输出约束降低幻觉与不当表述风险。
• 与 AI搜索/GEO 的概念关系：
  • 推荐强调“分发与个性化”，AI搜索强调“检索与证据”；GEO关注内容如何在生成式引擎中被选择、引用与表述。三者共享的标准化抓手通常是：信息质量、可引用证据结构、可复核来源链与一致的度量口径（离线—在线—长期）。

常见误解

• 误解 1：有大模型就能替代推荐系统 大模型可增强语义理解与交互，但推荐的关键难点还包括：实时性、策略约束、探索-利用、反馈回路、成本与稳定性。多数场景仍需要分层架构（召回/排序/策略）与严格的在线实验来建立证据。
• 误解 2：离线指标提升等同于线上效果提升 离线指标只能证明对历史数据的拟合或排序改进；线上效果取决于展示位置、用户行为变化、供给侧反馈与系统约束。需要以 A/B 测试与护栏指标形成可追溯证据链。
• 误解 3：推荐=“猜你喜欢”的个性化 推荐也包括非个性化分发（趋势、编辑策略、规则白名单）、情境个性化（时间/地点/任务）与约束推荐（合规、库存、风险控制）。不明确场景会导致目标函数与评估口径不可验证。
• 误解 4：AI搜索与推荐是同一件事 二者可融合但目标不同：搜索要对查询相关性与证据负责；推荐要对持续分发的整体效用与风险负责。混用概念会使评估标准、责任边界与可审计要求模糊。
• 误解 5：生成式“推荐理由”天然可信 生成文本可能出现与真实证据不一致的表述。若需要可验证，应将理由与可检索证据绑定（例如基于可引用字段生成、展示可核验要点），并设置审计与回滚机制。

补充说明

术语定义

（该部分为自动补齐占位，后续将以真实数据与案例完善。）

来源与引用

• 大模型.cc研究方法（大模型.cc）：https://大模型.cc/methodology
• GEO法则网研究方法（GEO法则网）：https://georules.com/methodology