2023年Q3，亞馬遜內(nèi)部測(cè)試組發(fā)現(xiàn)個(gè)詭異現(xiàn)象：用戶搜"防水藍(lán)牙音箱"，前10個(gè)結(jié)果里有4個(gè)是充電寶，2個(gè)是耳機(jī)收納盒。推薦系統(tǒng)的點(diǎn)擊率暴跌23%，退貨率卻漲了17%。

這不是推薦算法"不懂你"，是數(shù)學(xué)工具選錯(cuò)了戰(zhàn)場(chǎng)。

向量搜索的瓶頸：當(dāng)"相似"變成"近似"

傳統(tǒng)推薦系統(tǒng)把商品和用戶都變成高維向量（一種用數(shù)字列表表示特征的技術(shù)），靠計(jì)算夾角余弦找相似。這套方法在2018年前夠用，因?yàn)樯唐穾?kù)只有幾千萬(wàn)SKU，用戶畫像也簡(jiǎn)單。

但2020年后，電商的復(fù)雜度指數(shù)級(jí)爆炸。一件沖鋒衣同時(shí)屬于"戶外裝備""通勤穿搭""送禮清單"三個(gè)場(chǎng)景；一個(gè)用戶上午看露營(yíng)帳篷，下午搜嬰兒推車——向量空間里的單點(diǎn)表示，根本抓不住這種多維交叉關(guān)系。

亞馬遜機(jī)器學(xué)習(xí)團(tuán)隊(duì)負(fù)責(zé)人Alex Spiro在2023年 re:Invent 大會(huì)上打了個(gè)比方：「向量搜索像在二維地圖找餐廳，只能問(wèn)"離我多近"。但用戶實(shí)際想問(wèn)的是"適合約會(huì)、有露臺(tái)、人均200以內(nèi)、今晚有位"——這是四個(gè)獨(dú)立維度的同時(shí)約束?！?/p>

更麻煩的是"多模態(tài)"內(nèi)容。一張商品圖里，背景是雪山（場(chǎng)景）、主體是紅色（顏色）、模特穿L碼（尺碼）。向量模型把這些壓縮成一坨數(shù)字，查詢時(shí)只能整體匹配，無(wú)法單獨(dú)提取"紅色"或"L碼"做篩選。

結(jié)果？系統(tǒng)把"紅色羽絨服"和"紅色連衣裙"算成高度相似，因?yàn)樗鼈兊囊曈X(jué)向量確實(shí)很近。用戶罵罵咧咧關(guān)掉頁(yè)面。

張量分解：把"一團(tuán)亂麻"拆成可組合的零件

張量（tensor）是向量的高維推廣。如果說(shuō)向量是列表，矩陣是表格，張量就是Excel里帶多個(gè)工作簿的三維數(shù)據(jù)塊。

關(guān)鍵突破來(lái)自一種叫CP分解的數(shù)學(xué)操作：把一個(gè)龐大的多維張量，拆解成若干"因子矩陣"的乘積。每個(gè)因子對(duì)應(yīng)一個(gè)獨(dú)立維度——顏色、場(chǎng)景、價(jià)格帶、用戶意圖——查詢時(shí)可以自由組合。

Google Research 2022年的論文《Tensor-Train Decomposition for Large-Scale Recommendation》驗(yàn)證了這條路：用張量替代向量表示用戶-商品交互，召回準(zhǔn)確率提升34%，計(jì)算延遲反而下降18%。

亞馬遜在2023年底跟進(jìn)。他們的新系統(tǒng)把商品屬性拆成12個(gè)獨(dú)立因子矩陣，用戶實(shí)時(shí)行為另建3個(gè)動(dòng)態(tài)因子。查詢"防水藍(lán)牙音箱"時(shí)，系統(tǒng)不再匹配整體向量，而是分別檢索"防水等級(jí)""音頻設(shè)備""戶外場(chǎng)景"三個(gè)因子，再取交集。

內(nèi)部A/B測(cè)試數(shù)據(jù)：搜索相關(guān)性評(píng)分從0.61拉到0.87，加購(gòu)轉(zhuǎn)化率提升19%。

工程落地的暗礁：不是算不快，是拆不對(duì)

張量計(jì)算的理論優(yōu)勢(shì)很明顯，但電商場(chǎng)景有特殊的臟活。

第一是維度爆炸。12個(gè)因子矩陣，每個(gè)有5000個(gè)潛在特征，組合空間是5000^12——比宇宙原子數(shù)還多。必須做"稀疏化"剪枝：只保留實(shí)際出現(xiàn)過(guò)的屬性組合，把計(jì)算量壓到可控范圍。

第二是實(shí)時(shí)性矛盾。用戶滑動(dòng)商品流時(shí)，行為數(shù)據(jù)每秒更新。因子矩陣如果全量重算，延遲扛不住。亞馬遜的解法是"增量更新"：主干矩陣日級(jí)全量訓(xùn)練，用戶個(gè)人因子用在線梯度下降實(shí)時(shí)微調(diào)。

第三是解釋性黑洞。向量搜索至少能告訴你"這兩件商品向量夾角小"，張量分解后的多因子交集，運(yùn)營(yíng)人員根本看不懂為什么推了這件。亞馬遜加了層"歸因翻譯"：把因子權(quán)重映射回可讀的屬性標(biāo)簽，輸出"推薦原因：防水場(chǎng)景匹配+近期瀏覽同類"。

Netflix的推薦團(tuán)隊(duì)在2024年Q1技術(shù)博客中坦承，他們?cè)囘^(guò)張量路線，最終退回改進(jìn)版向量方案。原因很實(shí)在：「影視內(nèi)容的維度比商品少，用戶意圖也更單一（就是看片子），張量的復(fù)雜度收益覆蓋不了維護(hù)成本?！?/p>

行業(yè)擴(kuò)散：從電商到工業(yè)質(zhì)檢的意外跳躍

張量計(jì)算在推薦系統(tǒng)的成功，正被復(fù)制到意想不到的領(lǐng)域。

西門子成都工廠的視覺(jué)質(zhì)檢系統(tǒng)，原本用向量匹配缺陷圖片。但"劃痕"在金屬表面和塑料表面的視覺(jué)特征完全不同，向量模型經(jīng)常混淆。2024年改用張量分解后，把"缺陷類型""材質(zhì)""光照條件"拆成獨(dú)立因子，誤檢率從4.7%降到0.9%。

更前沿的是藥物分子篩選。輝瑞和MIT的合作項(xiàng)目用張量表示分子結(jié)構(gòu)：原子類型是一維，化學(xué)鍵是另一維，三維空間坐標(biāo)是第三維。傳統(tǒng)向量方法只能整體比較分子相似度，張量分解可以單獨(dú)優(yōu)化"與靶點(diǎn)結(jié)合能力"這一因子，把候選分子篩選效率提升40倍。

回到電商戰(zhàn)場(chǎng)，阿里國(guó)際站在2024年6月上線"多意圖搜索"，底層同樣是張量架構(gòu)。他們的特殊挑戰(zhàn)是跨境場(chǎng)景：同一個(gè)英文query，美國(guó)用戶要的是"批發(fā)價(jià)"，東南亞用戶要的是"免運(yùn)費(fèi)"——必須在因子層就把地域偏好拆開(kāi)。

張量不是萬(wàn)能藥。它的核心假設(shè)是"維度可分解"，如果業(yè)務(wù)場(chǎng)景本身混沌糾纏（比如社交內(nèi)容的情緒+話題+人際關(guān)系），強(qiáng)行拆分反而失真。但在商品屬性清晰、用戶意圖可拆解的領(lǐng)域，這把數(shù)學(xué)手術(shù)刀正在重新劃定推薦系統(tǒng)的性能天花板。

亞馬遜搜索團(tuán)隊(duì)在內(nèi)部復(fù)盤文檔里寫了一句挺實(shí)在的話：「我們花了18個(gè)月才搞明白，問(wèn)題不是算法不夠聰明，是表示方法太懶了?！?/p>

當(dāng)你的用戶下次搜"適合送女朋友的降噪耳機(jī)"，系統(tǒng)能不能同時(shí)理解"降噪"是功能需求、"送女朋友"是場(chǎng)景約束、"適合"是價(jià)格暗示——這取決于你愿不愿意把一維的向量，展開(kāi)成多維的張量。問(wèn)題是，你的技術(shù)債允許你重構(gòu)底層嗎？