推荐算法的发展可清晰划分为五个关键阶段：从非个性化规则、协同过滤、机器学习、深度学习，演进至当前的大模型/生成式推荐时代。下面按阶段梳理核心算法、突破与痛点。

---

一、非个性化推荐（1990年前）：规则与统计

• 核心思路：无个性化，依赖热门排行榜、人工编辑、简单统计。
• 代表方法：
  • 全局热门：推荐全站点击率/销量最高物品。
  • 分类热门：按品类统计热门。
  • 人工精选：编辑/专家手动推荐。
• 特点：实现简单、无冷启动；完全忽略个体差异，体验单一。

---

二、个性化萌芽：协同过滤CF时代（1992–2005）

1992年Tapestry系统首次提出协同过滤，1994年GroupLens奠定自动化推荐基础。

1. 基于用户的协同过滤（UserCF, 1994）

• 逻辑：兴趣相似用户喜欢的，你也可能喜欢。
• 缺点：用户量大时计算相似度成本高；冷启动严重。

2. 基于物品的协同过滤（ItemCF, 1998，亚马逊）

• 逻辑：你喜欢A，常买A的人也喜欢B，推B给你。
• 突破：亚马逊落地，销售额提升约35%，成为工业界标杆。
• 优点：物品数远少于用户数，计算更快、稳定性强。

3. 矩阵分解MF（2005后，SVD/SVD++）

• 背景：CF受数据稀疏、冷启动、噪声影响大。
• 核心：把高维稀疏的用户-物品评分矩阵，分解为用户隐向量+物品隐向量，内积预测评分。
• 代表：SVD、SVD++、PMF、NMF。
• 优点：缓解稀疏、捕捉隐式关联、泛化更强。

---

三、机器学习时代（2006–2015）：特征工程为王

2006年Netflix Prize竞赛（百万美元奖金）引爆研究，特征工程+机器学习成为主流。

1. 逻辑回归LR（2010前，工业界标配）

• 核心：人工构造海量特征（用户、物品、交叉、上下文），输入LR做CTR预估。
• 优点：简单、可解释、训练快、易并行。
• 缺点：依赖人工特征，高阶交叉难捕捉，易欠拟合。

2. 因子分解机FM（2010）

• 突破：自动做二阶特征交叉，无需人工枚举，缓解LR痛点。
• 改进：FFM（域感知FM）进一步提升交叉精度。

3. GBDT+LR（2014，Facebook）

• 架构：GBDT自动做高阶特征组合 → 输出特征 → LR预测CTR。
• 优点：特征能力强、效果好，成为广告/推荐主流。

阶段痛点

• 严重依赖人工特征工程，成本高、周期长；
• 难以建模用户长期兴趣、序列依赖、复杂上下文。

---

四、深度学习时代（2016–2022）：端到端与表示学习

2016年谷歌Wide & Deep发表，深度学习全面接管推荐，核心是Embedding+注意力+序列建模。

1. 基础架构：Wide & Deep（2016，谷歌）

• Wide（记忆）：LR部分，记住高频强关联（如“手机→充电器”）。
• Deep（泛化）：MLP+Embedding，学习低维稠密向量，泛化到长尾/新物品。
• 影响：成为工业界召回/精排基础框架。

2. 因子分解机进化：DeepFM（2017）

• 融合FM与Deep：自动高低阶特征交叉，无需人工特征，端到端训练。

3. 序列与兴趣建模：DIN/DIEN（2017–2018，阿里）

• DIN（深度兴趣网络）：引入注意力机制，根据候选物品动态激活用户历史兴趣（如推“运动鞋”时，重点关注用户历史运动相关行为）。
• DIEN：进一步建模兴趣演化过程（短期/长期兴趣变化）。

4. 全序列建模：Transformer/RecSys（2018后）

• 代表：BERT4Rec、SASRec、TiSASRec。
• 核心：用自注意力捕捉用户长序列依赖、多兴趣、上下文，效果显著提升。

5. 图神经网络GNN（2019后）

• 代表：GCN、GAT、GraphSAGE、LightGCN。
• 核心：把用户-物品交互视为二部图，用GNN学习用户/物品的结构感知Embedding，缓解稀疏与冷启动。

---

五、大模型/生成式推荐时代（2023–至今）：LLM重塑范式

大语言模型（LLM）带来理解、生成、交互、推理的质变，推荐进入“认知智能”阶段。

1. LLM+推荐（检索增强/提示学习）

• 范式：LLM理解用户自然语言意图 → 生成查询 → 检索库召回 → LLM重排/解释。
• 代表：RLM、RecLLM、GPT4Rec、LLaMA-Rec。
• 突破：支持自然语言交互、冷启动极强、跨域推荐、可解释性强。

2. 生成式推荐（Generative Recommendation）

• 直接生成：LLM直接生成个性化物品/内容（如文章、商品描述、视频脚本），无需检索库。
• 代表：GenRec、LLM4Rec、生成式广告。

3. 多模态推荐（2023后）

• 融合文本、图像、视频、音频、行为，用多模态LLM（如Flux、LLaVA、Qwen-VL）统一表示，推荐更精准、自然。

---

六、各阶段核心对比（速览）

阶段	时间	核心技术	个性化	冷启动	稀疏性
规则统计	1990前	热门、人工	❌ 无	✅ 友好	✅ 不敏感
协同过滤	1992–2005	UserCF/ItemCF/MF	✅ 基础	❌ 严重	❌ 敏感
机器学习	2006–2015	LR/FM/GBDT+LR	✅ 中等	❌ 依赖特征	❌ 依赖特征
深度学习	2016–2022	Wide&Deep/DIN/Transformer/GNN	✅✅ 精细	✅ 缓解	✅ 缓解
大模型	2023–至今	LLM/生成式/多模态	✅✅✅ 认知	✅✅ 极强	✅✅ 鲁棒

---

七、总结：演进逻辑与趋势

1. 从记忆到泛化：热门→CF→MF→Deep→LLM，不断提升长尾/新物品推荐能力。
2. 从人工到自动：人工特征→FM→Deep→端到端→LLM，减少人工依赖、提升效率。
3. 从独立到融合：单模态→多模态；单模型→LLM+检索+排序+生成的全链路融合。
4. 从行为到认知：从点击/购买行为，到理解意图、兴趣、情感、推理，推荐更懂用户。

---

要不要我把以上内容浓缩成一页可直接使用的推荐算法演进时间线+核心模型选型清单？