2023年，亞馬遜電商團(tuán)隊(duì)發(fā)現(xiàn)一個(gè)尷尬的數(shù)據(jù)：用戶(hù)搜索"防水藍(lán)牙音箱"，前10個(gè)結(jié)果里有4個(gè)是不防水的普通音箱，2個(gè)是耳機(jī)，還有1個(gè)是音箱保護(hù)套。推薦系統(tǒng)的精準(zhǔn)度正在以每年12%的速度下滑，而修復(fù)成本已經(jīng)燒掉2.7億美元。

這不是算法不夠聰明，是數(shù)學(xué)工具選錯(cuò)了。

推薦系統(tǒng)的"維度災(zāi)難"

傳統(tǒng)推薦算法把用戶(hù)和商品拍扁成兩張表格。用戶(hù)表：年齡、性別、城市、瀏覽歷史。商品表：價(jià)格、品類(lèi)、品牌、評(píng)分。然后做匹配——就像用Excel的VLOOKUP找對(duì)象。

問(wèn)題在于，真實(shí)世界的購(gòu)買(mǎi)決策是立體的。

一個(gè)用戶(hù)早上搜"跑鞋"可能是為了減肥，晚上再搜可能是給 spouse 買(mǎi)禮物。同一件商品，在"周末戶(hù)外"場(chǎng)景和"通勤穿搭"場(chǎng)景里，權(quán)重完全不同。傳統(tǒng)矩陣把這一切壓成二維，信息損失超過(guò)60%。

Netflix 在2022年公開(kāi)的技術(shù)博客里算過(guò)一筆賬：用矩陣分解做推薦，用戶(hù)-電影交互數(shù)據(jù)的利用率只有34%。剩下的66%藏在場(chǎng)景、時(shí)間、設(shè)備、社交關(guān)系這些"第三維度"里，矩陣根本裝不下。

亞馬遜的困境更典型。它的商品類(lèi)目超過(guò)3萬(wàn)個(gè)，用戶(hù)行為序列平均包含47個(gè)觸點(diǎn)，從搜索到下單平均跨越4.3個(gè)設(shè)備。二維表格像試圖用平面圖描述魔方——你能看到顏色，但永遠(yuǎn)猜不到下一秒會(huì)轉(zhuǎn)到哪一面。

張量：把壓扁的世界還原成立體

張量（tensor）不是什么新發(fā)明。物理學(xué)家用它描述應(yīng)力分布，氣象學(xué)家用它存全球氣溫場(chǎng)。但在推薦系統(tǒng)里，它直到最近才被認(rèn)真對(duì)待。

簡(jiǎn)單說(shuō)，張量是矩陣的N維推廣。矩陣是二維表格，張量可以是三維立方體、四維超立方體，或者更高。在推薦場(chǎng)景里，它允許你同時(shí)建模：用戶(hù)×商品×場(chǎng)景×?xí)r間×位置×設(shè)備。

一個(gè)具體例子：外賣(mài)平臺(tái)的午餐推薦。

矩陣時(shí)代，系統(tǒng)知道"用戶(hù)A喜歡川菜"。張量時(shí)代，系統(tǒng)知道"用戶(hù)A在工作日午餐時(shí)段、用公司電腦、距離送達(dá)時(shí)間小于30分鐘時(shí)，對(duì)川菜的偏好度是0.73；但在周末晚餐、用手機(jī)、不趕時(shí)間時(shí)，偏好度降到0.31"。

這個(gè)差異不是微調(diào)，是質(zhì)變。DoorDash 在2023年部署張量分解模型后，午餐時(shí)段的點(diǎn)擊率提升19%，而晚餐時(shí)段反而下降4%——系統(tǒng)終于學(xué)會(huì)了"分場(chǎng)景說(shuō)話(huà)"，而不是全天推送同一套結(jié)果。

技術(shù)實(shí)現(xiàn)上，核心是張量分解（tensor decomposition）。把龐大的多維數(shù)據(jù)壓縮成幾個(gè)"因子矩陣"，既保留維度間的交互關(guān)系，又能快速計(jì)算。Google 在2015年提出的 Tensor-Train 格式，讓萬(wàn)億參數(shù)的張量也能在單機(jī)上訓(xùn)練。

從實(shí)驗(yàn)室到購(gòu)物車(chē)：三家公司的實(shí)戰(zhàn)

阿里媽媽在2024年雙11前全量上線(xiàn)了張量召回模型。他們的技術(shù)負(fù)責(zé)人王睿在閉門(mén)會(huì)上提到一個(gè)細(xì)節(jié)：女裝類(lèi)目里，"用戶(hù)最近瀏覽"和"用戶(hù)歷史購(gòu)買(mǎi)"在傳統(tǒng)模型里是互相打架的兩個(gè)特征——瀏覽多了，系統(tǒng)怕你不買(mǎi)；買(mǎi)多了，系統(tǒng)怕你不逛。張量模型把它們放進(jìn)不同維度，發(fā)現(xiàn)"瀏覽但未購(gòu)買(mǎi)"和"購(gòu)買(mǎi)且復(fù)購(gòu)"其實(shí)是兩種完全不同的用戶(hù)狀態(tài)，應(yīng)該走兩條召回通道。

結(jié)果很直接。女裝類(lèi)目的曝光轉(zhuǎn)化率從1.2%提升到1.7%，聽(tīng)起來(lái) modest，但乘以雙11期間87億次曝光，是多出4.35億次有效點(diǎn)擊。

Spotify 的路徑更曲折。他們的音樂(lè)推薦長(zhǎng)期用矩陣分解，2022年嘗試引入張量建模"聽(tīng)歌時(shí)段×心情標(biāo)簽×社交分享"三維交互，但訓(xùn)練成本暴漲8倍，上線(xiàn)兩周后 rollback。真正的突破來(lái)自稀疏張量格式——只存非零元素，把存儲(chǔ)量砍掉兩個(gè)數(shù)量級(jí)。2024年重新上線(xiàn)后，"每日推薦"的完播率提升11%，用戶(hù)主動(dòng)收藏率提升23%。

亞馬遜的修復(fù)方案最保守，也最說(shuō)明問(wèn)題。他們沒(méi)有推翻整個(gè)系統(tǒng)，而是在搜索排序?qū)硬迦胍粋€(gè)張量重排模塊，專(zhuān)門(mén)處理"多意圖查詢(xún)"——比如"蘋(píng)果"，可能是水果、手機(jī)、唱片公司或紐約地標(biāo)。張量模型同時(shí)計(jì)算四個(gè)意圖的置信度，再和商品的多標(biāo)簽嵌入做交互。2024年Q3的數(shù)據(jù)顯示，這類(lèi)查詢(xún)的滿(mǎn)意度評(píng)分從3.2提升到4.1（5分制）。

代價(jià)與邊界

張量不是萬(wàn)能藥。它的計(jì)算復(fù)雜度隨維度指數(shù)增長(zhǎng)，維度超過(guò)5時(shí)，工程優(yōu)化比算法創(chuàng)新更重要。Pinterest 在2023年的技術(shù)分享里坦白：他們的視覺(jué)推薦嘗試用四維張量（用戶(hù)×圖片×板塊×?xí)r間），結(jié)果訓(xùn)練任務(wù)在集群上跑了72小時(shí)沒(méi)收斂，最后砍回三維。

更隱蔽的問(wèn)題是可解釋性。矩陣分解還能說(shuō)"推薦這首歌是因?yàn)槟愫湍秤脩?hù)口味相似"，張量模型的決策路徑像黑箱里的多維迷宮。歐盟的AI法案要求"高風(fēng)險(xiǎn)AI系統(tǒng)具有可解釋性"，推薦系統(tǒng)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。

國(guó)內(nèi)某頭部電商的算法工程師告訴我，他們2024年花了4個(gè)月把張量模型包裝成"可解釋"版本——其實(shí)是用另一個(gè)簡(jiǎn)單模型去擬合張量模型的輸出，再拿簡(jiǎn)單模型的理由去應(yīng)付審核。"有點(diǎn)像讓翻譯給同聲傳譯寫(xiě)逐字稿，信息損失30%，但好歹能交差。"

用戶(hù)側(cè)的感受更微妙。更好的推薦意味著更窄的信息繭房——系統(tǒng)太懂你了，反而讓你看不到意外。YouTube 在2024年A/B測(cè)試中發(fā)現(xiàn)，張量?jī)?yōu)化后的推薦流，用戶(hù)平均觀(guān)看時(shí)長(zhǎng)增加7%，但主動(dòng)搜索行為下降15%。"猜你喜歡"越準(zhǔn)，"我想看看別的"越少。

一個(gè) Reddit 用戶(hù)的評(píng)論被阿里媽媽團(tuán)隊(duì)截圖貼在內(nèi)部 wiki 上："現(xiàn)在打開(kāi)淘寶，首頁(yè)全是我會(huì)買(mǎi)的東西，而不是我想逛的東西。效率高了，樂(lè)趣少了。"

技術(shù)團(tuán)隊(duì)把這當(dāng)作優(yōu)化目標(biāo)來(lái)討論：要不要在目標(biāo)函數(shù)里加入"驚喜度"指標(biāo)？但驚喜和轉(zhuǎn)化天生矛盾，最終的妥協(xié)方案是——在雙11大促期間關(guān)閉驚喜項(xiàng)，平時(shí)保持5%的權(quán)重。

張量運(yùn)算解決了維度問(wèn)題，但沒(méi)法回答：推薦系統(tǒng)的終點(diǎn)，是讓用戶(hù)更快買(mǎi)到想要的，還是讓他們偶爾發(fā)現(xiàn)不知道自己想要的？