1.1.3 推薦系統的天時地利

推薦系統之所以能在互聯網的各領域中都得到廣泛的應用，與機器學習算法近年來的高速發展息息相關，但并非所有應用機器學習算法的領域都像推薦系統一樣幸運，享受到如此大的算法發展的紅利。這一結果絕非偶然，接下來我們細數一下推薦系統具備哪些天時地利。

1.機器學習技術發展紅利

沒有絕對完美和最優的推薦系統，每個推薦系統從誕生之初就需要不斷地迭代升級和優化來提升其準確性和價值。推薦算法從早期的基于后驗的統計到后來升級為協同過濾，然后從傳統機器學習LR、GBDT、FM等一路升級到深度學習。推薦系統一路收割了機器學習技術發展的紅利，只要新的算法和技術相比原先舊的方法有更高的價值和收益，就可以持續迭代升級。

尤其是深度學習在近些年有著井噴式的發展和突破。多個優秀的深度學習框架的開源使得模型的設計和實現猶如搭積木般容易上手，常用的深度學習框架有TensorFlow、PyTorch、Keras、Caffe等。充足的樣本數據和算力使得深度學習在推薦系統領域發揮了巨大的威力，直接推動整個領域技術躍上了新臺階。

2.豐富的數據樣本

80%的數據+20%的算法=更好的人工智能。數據和算法作為智能系統最重要的元素，共同決定著一個智能系統的可行性。相比于人工智能的很多場景，推薦系統獲取樣本的途徑、規模及可信度都有天然的優勢。如語音識別或者圖像識別的一些場景，樣本的獲取是阻礙機器學習算法落地的最大難題，需要耗費大量的人力去構造或者標注樣本數據。

在推薦場景中，用戶對信息的每一個操作行為都可以產生一條樣本。而用戶具體的操作又可以視為含義相對明確的樣本標簽，以點擊率預估模型為例，用戶對推薦信息的每個點擊行為都是點擊率預估模型的正樣本。

3.模型優化目標和業務目標強相關

在推薦場景中，很多時候用戶行為的轉化率既是模型的建模目標也是平臺的業務目標。以電商平臺為例，要提升用戶的下單率，就可以直接建模用戶的下單行為，模型的優化目標直接就是平臺的業務目標。而從業務角度出發，模型收益以極大比例轉化成了業務收益，通過優化模型基本就能達到業務目標。也正因為如此，在整個業務中算法占了絕對的主導地位，這使得推薦系統能夠乘著算法發展的東風持續提升。