2023年，亞馬遜內(nèi)部有個(gè)數(shù)據(jù)讓產(chǎn)品經(jīng)理失眠：用戶(hù)搜索"防水手機(jī)殼"，前3個(gè)推薦里2個(gè)是iPhone 7的殼子——那款手機(jī)已經(jīng)停產(chǎn)5年了。

這不是個(gè)例。當(dāng)時(shí)平臺(tái)有34%的搜索返回結(jié)果包含已下架商品，用戶(hù)點(diǎn)進(jìn)去才發(fā)現(xiàn)"該商品無(wú)法購(gòu)買(mǎi)"。推薦系統(tǒng)的核心邏輯是"用戶(hù)買(mǎi)了A，所以推薦B"，但當(dāng)商品生命周期越來(lái)越短，這套基于用戶(hù)行為矩陣的協(xié)同過(guò)濾（Collaborative Filtering）開(kāi)始集體失靈。

問(wèn)題出在數(shù)據(jù)的"形狀"上。

矩陣的崩潰：當(dāng)二維表格裝不下三維世界

傳統(tǒng)推薦系統(tǒng)把用戶(hù)和商品拍扁成一張大表格：行是用戶(hù)，列是商品，格子里的數(shù)字是評(píng)分或點(diǎn)擊。這套方法在Netflix年代管用，因?yàn)殡娪皫?kù)相對(duì)穩(wěn)定，一部《肖申克的救贖》能被推薦20年。

但電商場(chǎng)景變了。商品有SKU（庫(kù)存單位）、顏色、尺寸、季節(jié)屬性；用戶(hù)有場(chǎng)景、時(shí)段、地理位置。把這些全塞進(jìn)二維矩陣，就像用Excel管理一家超市—— technically可行，實(shí)際上災(zāi)難。

亞馬遜的工程師試過(guò)加更多列：給每個(gè)商品打上200+標(biāo)簽，把"用戶(hù)-商品"矩陣擴(kuò)展成"用戶(hù)-商品-時(shí)間""用戶(hù)-商品-地點(diǎn)"的多維結(jié)構(gòu)。結(jié)果矩陣變得極其稀疏：99.7%的格子是空的，計(jì)算資源燒在填零上。

「我們像是在用漁網(wǎng)撈水?！箒嗰R遜應(yīng)用科學(xué)家李沐在2023年Re:Invent大會(huì)上回憶，「網(wǎng)格越細(xì)，漏掉的東西越多?！?/p>

轉(zhuǎn)機(jī)來(lái)自一個(gè)被冷落了十年的數(shù)學(xué)工具：張量（Tensor）。

張量登場(chǎng)：給數(shù)據(jù)升維，而不是加列

張量不是什么新發(fā)明。物理學(xué)家用它描述應(yīng)力分布，愛(ài)因斯坦靠它寫(xiě)廣義相對(duì)論。簡(jiǎn)單說(shuō)，標(biāo)量是0維（一個(gè)數(shù)），向量是1維（一串?dāng)?shù)），矩陣是2維（一張表），張量是n維——可以是3維、4維、任意維。

關(guān)鍵洞察：張量不是"更大的矩陣"，而是完全不同的數(shù)據(jù)結(jié)構(gòu)。矩陣乘法有嚴(yán)格的行列匹配規(guī)則，張量運(yùn)算則更靈活，能捕捉多維度之間的耦合關(guān)系。

亞馬遜團(tuán)隊(duì)重新設(shè)計(jì)了推薦架構(gòu)。他們把"用戶(hù)-商品-時(shí)間-場(chǎng)景"建模成一個(gè)4維張量，然后用張量分解（Tensor Decomposition）技術(shù)壓縮信息。這有點(diǎn)像JPEG壓縮圖片：保留核心特征，扔掉冗余噪聲。

具體做法是CP分解（CANDECOMP/PARAFAC分解），把高維張量拆成多個(gè)低秩因子的組合。打個(gè)比方：一道菜的味道可以分解為"甜、咸、酸、辣"四個(gè)基底的加權(quán)組合，張量分解就是在找數(shù)據(jù)里的"味覺(jué)基底"。

2024年上線(xiàn)的新系統(tǒng)，把推薦準(zhǔn)確率提升了23%，但更重要的是召回率（Recall）——找到用戶(hù)真正可能買(mǎi)的東西，而不是安全地推薦爆款。那個(gè)iPhone 7手機(jī)殼的問(wèn)題，根源在于舊系統(tǒng)過(guò)度依賴(lài)歷史點(diǎn)擊數(shù)據(jù)，張量模型引入了時(shí)間衰減因子，讓近期行為權(quán)重更高。

行業(yè)跟進(jìn)：從電商到短視頻的遷移

張量方法正在擴(kuò)散。TikTok的推薦團(tuán)隊(duì)2024年發(fā)表論文，用張量建模"用戶(hù)-視頻-音樂(lè)-拍攝手法"的四維關(guān)系，解決"同一首歌配不同畫(huà)面，用戶(hù)反饋完全不同"的細(xì)粒度推薦問(wèn)題。

國(guó)內(nèi)某頭部電商平臺(tái)的算法工程師告訴我，他們?cè)?024年Q2上線(xiàn)了類(lèi)似架構(gòu)，核心改動(dòng)是把"直播間"作為獨(dú)立維度加入張量——同一件商品，在李佳琦直播間和店鋪?zhàn)圆ラg的轉(zhuǎn)化邏輯完全不同，傳統(tǒng)矩陣方法只能粗暴地打標(biāo)簽，張量能學(xué)到這種交互效應(yīng)。

技術(shù)門(mén)檻依然存在。張量分解的計(jì)算復(fù)雜度隨維度指數(shù)增長(zhǎng)，亞馬遜的解決方案是結(jié)合隨機(jī)投影（Randomized Projection）和GPU集群，把訓(xùn)練時(shí)間從兩周壓到18小時(shí)。這不是小公司能隨便抄的作業(yè)。

更隱蔽的挑戰(zhàn)是解釋性。矩陣推薦還能說(shuō)"因?yàn)槟阗I(mǎi)了A所以推薦B"，張量模型的決策路徑像黑箱。歐盟《人工智能法案》要求高風(fēng)險(xiǎn)AI系統(tǒng)具有可解釋性，推薦算法是否算"高風(fēng)險(xiǎn)"還在扯皮，但合規(guī)團(tuán)隊(duì)已經(jīng)開(kāi)始緊張。

一個(gè)有趣的副作用：張量模型對(duì)冷啟動(dòng)（新用戶(hù)/新商品）更友好。因?yàn)樗灰蕾?lài)完整的"用戶(hù)-商品"交互歷史，可以從其他維度（時(shí)間、場(chǎng)景、屬性）推斷偏好。這意味著新品牌獲得曝光的機(jī)會(huì)在增加，頭部效應(yīng)在減弱——至少是理論上。

2024年底，亞馬遜把這套技術(shù)開(kāi)源為SageMaker的一個(gè)組件，取名「TensorRec」。GitHub倉(cāng)庫(kù)的Issue區(qū)有個(gè)高頻問(wèn)題："為什么我的3維張量比原來(lái)的矩陣還慢？" 官方回復(fù)很直接：「張量不是銀彈，維度選擇錯(cuò)了，復(fù)雜度會(huì)反噬你。」

那個(gè)iPhone 7手機(jī)殼的Bug，現(xiàn)在被工程師們當(dāng)作經(jīng)典案例寫(xiě)進(jìn)內(nèi)部文檔。不是因?yàn)樗夹g(shù)多深?yuàn)W，而是因?yàn)樗┞读艘粋€(gè)常識(shí)：當(dāng)業(yè)務(wù)場(chǎng)景變復(fù)雜，繼續(xù)給舊工具打補(bǔ)丁，不如換一套思維方式。

張量不是什么魔法，它只是承認(rèn)了一個(gè)事實(shí)——現(xiàn)實(shí)世界本來(lái)就是多維的。硬拍扁成表格，省事的是工程師，買(mǎi)單的是用戶(hù)。