谢邀
，这个话题有点大，权当抛砖引玉了。推荐系统的发展历程
说起推荐系统，很多人的第一印象是亚马逊当年号称有20%的成交来源于推荐，就像很多人讲大数据，总是会提啤酒和尿布的故事（很多人说是个段子）。在PC时代，推荐系统更像是一个补充。PC屏幕很大，推荐的场景能出现在各种地方，比如很多电商公司的看了又看、买了又买，都是很大的推荐场景。这个时候的技术，和机器学习的关系并不大，以数据挖掘为主，无论是i2i、simirank，类似于频繁项挖掘。有兴趣的同学可以看看这本书：
到了移动时代，很多人的思维方式没有转变过来，觉得屏幕小了，推荐的场景要消失了，比如我们公司一度没有了可以做推荐的场景，商品详情页推荐这种场景，藏的太深，用户需要下拉很多才能看到，基本没有流量。
但没有想到，移到才是推荐的时代。feed流的发明，影响了整个互联网。无论是头条的崛起，还是淘宝首猜uv蒸蒸日上，都代表着一种变革。随着业务价值变高，很多原来在计算广告中才用的技术慢慢开始在推荐中应用。很多公司开始抛弃以i2i为主，各种召回策略糅合的方案，机器学习开始真正的登场。
到今天，在各大互联网公司，推荐系统已经是标配了。
推荐系统的优点和缺点
千人千面
推荐系统最大的优点是千人千面，最大的缺点是号称千人千面；千人千面听着非常美好，如果能做到，那就可以用一个super app满足所有人的需求。可惜现实是残酷的，技术的发展远不如预期，无论做再好的推荐系统，目前的主流技术都是基于behavior的。第一个问题就是用户或者物料的冷启动，当用户不留下behavior时，各大推荐系统都很难有好的表现。
就算是相对活跃的用户，我们有他很多behavior，但是模型训练的数据是有偏的，被改app的主流用户的偏好影响着，也就是说，看起来是个性化的，但被后一直被app中最主流人群的偏好影响着。比较拗口，举个例子大家就理解了，前几年的头条，很多同学都说low，背后就是因为他们的主流用户行为对物料偏好大概是那样的，但只要你耐心的训练下它，头条会给你很多不错的内容，因为他们的用户基数大，还是能找到和你类似的用户群。而知乎这几年一直被吐槽说水化，就和知乎下沉，引入了更多大众的用户带来的。
信息茧房
有非常多的媒体，一直在担心，如果我们放弃了对信息的选择，而交给一个系统，那么我们的视野很快就会越来越窄。这个观点影响深远，很多商业公司的内部，也经常会有人拿出来说。除了推荐系统里面本身会提出用EE之类的手段来去除一些偏置。这个问题本身还是一个开放问题。
有一个研究很有意思，暴露出来人类可能没有大家想象的那么积极上进，大家根本就不会主动探索新的信息。如果推荐系统都退化成热门或者人工编辑，研究的结果是视野会变的更窄。有兴趣的同学可以去翻翻原文：
个性化后带来的效果评估问题
当业务用了推荐系统后，必然带来一个问题，如何评价一个推荐系统是否做的好？由于用户体验是互联网产品的基石，而当不能用一个人的主观感受评价体验是否好的时候，如果建立一个有效的评估机制，就变的非常重要了。
很多公司要么不管了，只看ctr或者停留时长之类的，要么就在和业务拉扯的过程中相互妥协。这块的内容，我觉得
的回答非常的好，有兴趣的同学可以去看看：对人类生活有何帮助
这个问题太大了，todo。
其中一个经常被人拿出来说的长尾效应，这几年的思考和经历让我觉得，有涉及到现实生产环节的，长尾理论过于脱离实际了。
