也许，目前的推荐算法还不是那么智能、那么“懂我”：

系统总喜欢推荐热门的商品，可“我”偏偏是个特立独行、喜欢小众商品的人；系统总喜欢根据历史购买清单来推荐，可“我”不需要买重复或相似的商品；系统总需要输入明确的商品需求，可“我”往往也不知道自己想要啥；而宣称自己智能的「猜你喜欢」，“我”又不是那么喜欢。

比如，同一个用户可能喜欢同类型的商品（爱看科幻片的用户可能喜欢《三体》）、相似用户可能喜欢同样的商品（用户A与用户B喜好相近，用户A喜欢的东西，可能用户B也会喜欢），但这是一场关于概率的游戏。

系统猜我大概率喜欢什么 ≠ 我真的想要。

而以ChatGPT为首的LLM（大型语言模型）可以理解人的语言，它更能 “看透” 一句话背后的真实意图，即有更强的感知能力，恰好可以弥补现有推荐算法的缺陷。

今天，我们来聊一下，ChatGPT推荐系统 vs 标准算法，优势在哪里？大家也可以在文末留言讨论，ChatGPT会替代现有的推荐算法吗？

先抛个人观点，大型语言模型（比如ChatGPT）会冲击现有的推荐算法，尤其是在大模型内置于手机等智能终端后，消费者更倾向于通过提问来获取推荐而非看 “猜你喜欢” 。但目前的主流推荐算法，仍可能作为一种推荐思路，内嵌于大模型中。

ChatGPT等大型语言模型的优势在于，可以根据我们的特定要求进行推荐，例如推荐一个拥有极佳儿童游泳池的酒店、最具Instagram风格的餐厅、最安静的吸尘器等，更加能满足我们的个性化需求。相比之下，现有的推荐算法通过「类比」来推荐，就显得不那么走心。

当然，ChatGPT也有它的缺点，不能保证100%的准确率。而且，有些需求是被「挖掘」出来的。用户可能会有自己也意识不到的喜好，没有跟ChatGPT沟通。而协同过滤——基于同类人的喜好进行推荐，是目前来看比较有效的一种思路。

所以，我们不是要用ChatGPT去 “掐死” 现有的标准算法，而是应该为更好的产品or技术去努力。

01 发现算法之外的“漏网好鱼”

现有的标准算法，往往热衷于推荐畅销商品：

毕竟大家都认证过好的东西，也大概率会被“你”喜欢。

而ChatGPT的推荐体系，更有利于发现被忽视的「长尾品类」。

长尾品类，往往很难被原有算法所发现和推荐，因为它们销量较低、缺乏足够的用户反馈和评价。然而，这些品类也许恰好是某些消费者所感兴趣的。

ChatGPT就能充当这双 “慧眼” ，发现算法之外的 “漏网好鱼” 。

假设你购买了一本关于人工智能的书籍，比如《人工智能简史》。

在原有的推荐算法下，系统可能会继续推荐其它同类型书籍，比如《人工智能导论》、《人工智能与机器学习》等。这些书籍虽然与已购买的书籍有相似的主题和特征，但却可能有着高度重合的内容，比如人工智能的缘起、自然语言的应用等重复章节，不一定能激发起你的阅读兴趣。

而ChatGPT可能推荐一些相关但不同类型的书籍，比如《人工智能与哲学》、《人工智能与艺术》、《人工智能与社会》等。这些书籍虽然比较小众，但却有着不同的视角和内容，可以帮助你拓展知识面和视野。

因此，ChatGPT可以突破现有推荐算法的局限，不仅仅依赖于消费者的行为数据或者商品的特征数据，而是讲究商品之间的「逻辑」关联性。

此外，ChatGPT还能进行跨品类推荐，比如根据 “人工智能” 这个主题，推荐相关的课程、讲座、游戏、商品等，提高现有算法的丰富度。

02 从简单的“推荐”到有力的“说服”

ChatGPT可以让推荐更加有理有据，在推荐的同时生成符合人类语言习惯、通俗易懂的推荐理由，从而实现从简单的 “推荐” 到有力的 “说服” ，更好地帮助消费者完成决策。

比如我们想购买一本经济学相关的书籍，我们在京东上输入“经济学”这个查询词，将会得到一整版的推荐列表，比如《经济学原理》、《国富论》、《思考的快与慢》、《薛兆丰经济学讲义》等热销书籍。这些书籍通常都会打上“回头客10万+”等以热度为排序依据的标签。

当我们想进一步判断哪本书更契合我们的兴趣和阅读水平，则需要点开每一本书的详情页，查看它们的详细介绍、目录、评价等，甚至打开小红书等其它软件，综合对比每本书的优缺点，才能做出决定。

而ChatGPT可以直接告诉我们选择的理由，帮助我们自动完成对比、筛选的过程。

比如，ChatGPT可能会为《经济学原理》写这样的推荐语：

再如，ChatGPT可能会为《国富论》写这样的推荐语：

这些推荐语，不只是介绍书籍本身，更简明扼要地说明适合哪些读者。

此外，我们也可以向ChatGPT提出更多的问题，比如“哪本书更适合初学者？”、“哪本书更侧重于实践？”、“哪本书评价最高？”等，ChatGPT可以作出相应的回答。

03 从“明确需求”到“模糊需求”