​　　袁岚峰：大家日常用得最多的，就是推荐系统。当我们打开百度地图，或者淘宝，或者抖音之类的软件的时候，其实就已经在用您的算法了。您在里面用的是什么算法？

　　熊辉：它不是简单的一种算法或者几种算法。这个推荐系统，本身是一个体系化的，它是一个system，就像一个系统。就好比购物推荐，或者说旅行包推荐，或者是说推荐一部电影、一个音乐，它是一个体系化的工作。中间包括很多，包括你的特征提取，包括模型构建，还有包括个性化的用户分析。中间就会用到我们的聚类技术——我去做客户的画像：他喜欢什么东西？就像婚介所，客户兴趣的分析，然后profile画像。还有你这边的这个产品，如何能够做到一个更好的匹配和对接？

　　袁岚峰：您在这方面的一个代表作，是IEEE（电气电子工程师学会）上面2024年的一篇文章，就是做冷启动和过滤气泡的，是吧？

　　熊辉：因为冷启动是推荐系统中一个相对来说比较具有挑战性的问题。所谓的冷启动就是说，这方面我的数据积累不够，我如何才能更快地构建一个推荐系统，让它过了一个很冷的阶段，迅速去提高到性能的一个高度？有些时候我们用transfer learning（迁移学习），通过迁移学习来做到：新的场景中，我数据采集量不够，我在小样本的情况下，然后再基于这个迁移，然后迅速地达到一个相对比较好的性能。

　　袁岚峰：还有一个是过滤气泡，这个又是什么？

　　熊辉：Collaborative filtering（协同过滤）。所谓协同过滤，就是说根据你的产品来分类。比如说你新到一个店，我并不知道你在我这个店的行为，但是我知道你在其他店的行为。你在其他店喜欢买什么颜色的衣服、裤子，现在我就可以相应地，根据我对你的其他东西的分析，然后我就可以先从这里开始推荐给你，也是协同过滤可以帮到你。协同过滤是推荐系统中的一个大的算法类型，冷启动是推荐系统中的一个挑战。

　　袁岚峰：所以协同过滤相当于是来解决冷启动的方案之一，是吧？

　　熊辉：是一个算法。现在有一个大趋势，就是跟大模型结合在一起。一个是最直接的，用大模型来做推荐。另外一个就是大小模型结合，通过大模型来帮助我更好地去理解整体的数据，然后产生特征，然后这特征和过去的那些模型特征结合在一起，再去做推荐，提升它的效果，还有增加这个推荐过程当中的可解释性。

　　我去年做的一个总结。我说，过去的流量经济已经转向了现在的注意力经济。过去更加在乎的是什么？更加在乎的是我看到了什么。现在注意力经济实际上是什么？是商家让你看到了什么，就是平台让你看到什么。这是巨大的改变。所以整个商业逻辑都会发生重大改变。以前是竞价排名，但是现在大模型时代是什么？我问一个东西，这个是一个产品，它到底是什么？顺便它就告诉你了，在哪里可以买。但是问题是，它告诉你的，是它想让你看到的。这就叫注意力机制了。