无ID推荐系统技术解析：从冷启动到工程落地的四大范式

1. 项目概述：当推荐系统“看不见”用户与物品

在推荐系统这个领域里工作了十几年，我见过太多围绕“ID”展开的模型和架构。无论是协同过滤里经典的“用户-物品”交互矩阵，还是深度学习时代动辄上亿参数的Embedding层，其核心假设往往是：我们能明确地知道“谁”（用户ID）在操作“什么”（物品ID）。然而，最近几年，一个越来越不容忽视的挑战摆在了我们面前：当推荐系统无法获取或使用这些明确的ID特征时，我们该怎么办？

这就是“westlake-repl/Recommendation-Systems-without-Explicit-ID-Features-A-Literature-Review”这个项目所关注的核心议题。它并非一个具体的工程实现，而是一篇系统性的文献综述，旨在梳理和总结那些不依赖显式用户ID或物品ID的推荐系统研究。这个方向之所以重要，是因为它在现实世界中正变得越来越普遍。想象一下这些场景：一个新用户首次打开App，我们对他一无所知，没有历史行为，自然也没有用户ID的Embedding；或者，一个新闻聚合平台每天要处理海量新发布的文章，这些文章没有积累任何交互数据，是彻头彻尾的“冷启动”物品；再或者，出于隐私保护的考虑（比如严格的隐私法规），平台被限制收集和使用能够唯一标识用户的长期ID，只能依赖匿名的、会话级别的数据。

在这些场景下，传统的、严重依赖ID特征及其历史交互来学习稠密表征的模型会瞬间失效。这篇综述的价值，就在于它系统地为我们绘制了一幅“无ID推荐”的技术地图，将散落在各处的研究思路——从基于内容的过滤、到基于会话的推荐、再到各种巧妙的表示学习与迁移学习技术——进行归类、对比和分析。对于任何一位面临冷启动、隐私约束或动态物品库挑战的算法工程师或研究者来说，这份综述都是一份极佳的“生存指南”和灵感源泉。它迫使我们回归推荐的本质：如何仅凭内容、上下文和有限的行为序列，去理解用户的意图并做出精准的预测。

2. 核心挑战与问题定义：ID缺失意味着什么？

要理解“无ID推荐”的解决方案，首先必须深刻认识到“有ID推荐”为我们提供了什么，以及失去它我们会面临何种困境。用户ID和物品ID在传统模型中扮演着“记忆锚点”和“关系枢纽”的双重角色。

2.1 ID的核心作用与价值

一个训练良好的用户ID Embedding，本质上是该用户所有历史行为的压缩和总结。它记住了用户的长期兴趣偏好，比如用户A是“科幻电影爱好者兼咖啡控”，用户B是“美妆达人兼旅行爱好者”。物品ID的Embedding则编码了该物品被所有用户交互的模式，它能捕捉到物品的隐含属性与受众群体。当模型拥有这些ID时，它进行推荐的过程，很大程度上是在一个稠密的、语义丰富的表征空间中进行相似度计算或复杂模式匹配。协同过滤的“用户-物品”共现矩阵、深度模型如YouTube DNN、DIN等，都严重依赖于这种从海量数据中学习到的ID表征。

2.2 失去ID后的“推荐盲区”

一旦失去明确的ID，系统就仿佛失去了长期记忆。我们面临的挑战是多维且严峻的：

1. 冷启动问题极端化：这不再是传统意义上“新用户/新物品数据少”的问题，而是“零历史交互数据”的问题。对于全新实体，没有任何先验知识可供模型参考。
2. 关系建模困难：用户与用户之间、物品与物品之间的隐含关系链断裂了。我们无法再通过“喜欢相同物品”来关联用户，也无法通过“被相同用户喜欢”来关联物品。社会关系、知识图谱中基于ID的链接也无法建立。
3. 个性化能力受限：个性化推荐的核心是区分不同用户的独特偏好。没有ID作为区分依据，系统很容易退化为对所有用户展示相同的主流热门内容，或者只能进行非常浅层（如基于当前会话）的个性化。
4. 长期兴趣建模失效：用户的兴趣是动态且具有延续性的。ID表征是承载长期兴趣的载体。没有它，模型很难捕捉和利用用户跨越多次访问的稳定偏好。

因此，“无ID推荐”问题的本质，是在缺乏唯一标识符和长期行为记忆的前提下，如何利用一切可用的替代信号——如内容特征、上下文信息、短期行为序列——来重建对用户意图和物品价值的理解，并做出有效的推荐决策。

3. 技术路线全景图：四大主流范式深度解析

根据综述的梳理，当前“无ID推荐”的研究主要沿着几条清晰的技术路线展开。每一条路线都代表了一种应对挑战的核心哲学。

3.1 基于内容过滤：最直观的“内容为王”策略

这是最古老也最直接的方法。其核心思想是：既然不认识“人”（用户ID）和“物”（物品ID），那我就分析“物”本身是什么，以及“人”当前在关注什么。

• 物品侧：深度挖掘物品的内容特征。对于电影，这包括标题、简介、演员、导演、类型、标签；对于商品，包括标题、描述、类别、品牌、属性；对于新闻，包括正文、关键词、实体、主题分类。利用自然语言处理（NLP）和计算机视觉（CV）技术，将这些非结构化的内容转化为结构化的特征向量（如TF-IDF、Word2Vec、BERT嵌入、ResNet特征）。
• 用户侧：构建用户的“内容画像”。这可以通过聚合用户历史交互过的物品的内容特征（平均池化、注意力加权）来实现。在完全无历史的情况下，则依赖注册信息（如选择的兴趣标签）、或当前会话中浏览物品的内容特征来实时构建一个短期画像。
• 匹配与推荐：将用户的内容画像与候选物品的内容特征进行相似度计算（如余弦相似度），选出最匹配的物品进行推荐。

实操心得：基于内容的方法强依赖于特征工程的质量。仅仅使用标题的TF-IDF往往不够。在实践中，我们常采用“多模态特征融合”。例如，为一个商品推荐系统，我们会同时提取标题的BERT嵌入、利用图像分类模型提取视觉特征向量、并将品类品牌等属性进行One-hot或Embedding编码，最后通过一个全连接层将它们融合成一个统一的物品内容表征。用户的画像则通过对其近期点击序列中物品的这些融合表征进行注意力加权平均来获得，注意力权重可以基于交互类型（点击、购买、时长）来设计。

3.2 基于会话的推荐：拥抱“匿名”与“即时”

这条路线完全放弃了长期用户的概念，将每次访问（会话）视为一个独立的推荐单元。它特别适用于新闻浏览、匿名购物等场景。其核心是建模会话内行为序列的时序模式和用户意图演化。

• 问题定义：给定一个由匿名用户在一个连续时间段内产生的一系列交互物品（如点击序列）[i1, i2, ..., i_t]，预测下一个最可能交互的物品i_{t+1}。
• 关键技术：早期方法使用马尔可夫链，但主流已被深度学习模型占据。
  • 循环神经网络：如GRU4Rec，将会话序列中的物品ID（此处物品ID可用，但用户ID匿名）输入GRU，用最后一个隐藏状态代表会话意图，用于预测下一个物品。在“无物品ID”的变体中，物品ID会被其内容特征向量所替代。
  • 注意力与Transformer：如SASRec、BERT4Rec，利用自注意力机制更好地捕捉序列中长距离的依赖关系，性能通常优于RNN。
  • 图神经网络：将会话序列构建为图（物品为节点，先后关系为边），利用GNN来学习物品的会话感知表征，如SR-GNN。
• 优势与局限：基于会话的推荐天然解决了用户匿名问题，并对短期兴趣变化非常敏感。但其最大局限是无法利用跨会话的信息。同一个用户两次不同的访问会被视为两个完全独立的用户，其长期偏好无法积累。

3.3 基于表示学习与迁移学习：构建“通用”的语义理解

这条路线旨在学习一种不依赖于特定ID的、通用的“语义表示”能力，并能够将知识迁移到新的、未见过的用户或物品上。

• 元学习：其目标是“学会如何快速学习”。模型在训练阶段接触大量不同的推荐任务（每个任务对应一个用户或一个会话），学习一种通用的初始化参数或一个快速适应的策略。当遇到一个新用户（冷启动）时，模型能够仅用该用户的少量几次交互，就快速调整其内部参数，做出个性化预测。这就像是训练一个“经验丰富的推荐顾问”，它见过无数种用户类型，知道如何通过几个问题快速了解一个新客户。
• 对比学习：通过构造正负样本对，让模型学习到：同一用户（或相似上下文）交互的物品在表示空间里应该相近，不同用户交互的物品应该相远。即使没有用户ID，我们也可以通过会话、时间窗口、设备信息等构建代理的正样本对。例如，将同一会话内相邻的点击视为正样本对，将随机采样的其他物品视为负样本。通过这种方式，模型学习到的物品表征已经隐含了“哪些物品容易被连续点击”的协同信息。
• 预训练-微调范式：受NLP领域BERT成功的启发，推荐领域也开始探索大规模预训练。例如，在海量的匿名行为数据上，使用类似掩码语言模型的任务，随机掩码序列中的一些物品，让模型根据上下文进行预测。通过这种方式预训练一个通用的序列模型。当下游遇到一个具体的推荐场景（即使有部分新物品）时，只需用该场景的数据对预训练模型进行轻量级的微调即可。这相当于为推荐系统打造了一个“基础大模型”，它具备了通用的用户行为模式理解能力。

3.4 基于混合方法与上下文增强：利用一切可用信号

在实际系统中，单一方法往往力有未逮。混合方法旨在融合以上多种思路，并极致地利用所有可用的上下文信息来弥补ID的缺失。

• 上下文信息作为关键补充：上下文是指除用户和物品内容之外，与交互行为相关的环境信息，主要包括：
  • 时间：时刻、星期、节假日。周末和工作日的推荐策略可能完全不同。
  • 地点：GPS位置、城市、商圈。地理位置强烈影响餐饮、娱乐等本地服务推荐。
  • 设备与网络：手机型号、App版本、网络环境（Wi-Fi/5G）。
  • 社交与协同信号：虽然无明确用户ID，但可以通过IP段、共同访问模式等匿名方式聚类用户，利用群体行为来平滑个体行为的稀疏性。
• 混合模型架构：一个典型的混合架构可能如下：
  1. 输入层：物品内容特征（多模态融合）、丰富的上下文特征。
  2. 序列建模层：使用Transformer或GRU对当前会话行为序列进行编码，得到短期兴趣向量。
  3. 兴趣提取层：如果有一些跨会话的匿名行为（如通过Cookie关联的多次访问），可以尝试用注意力机制提取长期兴趣主题。
  4. 特征交互与融合层：将短期兴趣、长期兴趣（若有）、上下文特征进行深度融合（如通过FM、DeepFM、或简单的拼接后接DNN）。
  5. 输出层：计算与候选物品的匹配分。

这种架构不再寻求一个“银弹”，而是构建一个能够灵活吸纳并综合利用所有微弱信号的系统。

4. 核心模型与技术细节拆解

让我们深入两个代表性模型的技术细节，看看它们是如何在代码层面实现“无ID推荐”的。

4.1 GRU4Rec的“无ID”改造实践

经典的GRU4Rec模型输入是物品ID的one-hot编码。要使其适应“无物品ID”的场景，我们需要用物品的内容特征向量替换掉ID。

import torch import torch.nn as nn class ContentAwareGRU4Rec(nn.Module): def __init__(self, content_embed_dim, hidden_size, num_layers, dropout): super().__init__() # 不再有物品ID Embedding层 # 假设物品内容特征已经预先提取好，维度为 content_embed_dim self.gru = nn.GRU(input_size=content_embed_dim, hidden_size=hidden_size, num_layers=num_layers, batch_first=True, dropout=dropout if num_layers > 1 else 0) # 输出层：将GRU隐藏状态映射回物品内容空间进行相似度计算 self.output_layer = nn.Linear(hidden_size, content_embed_dim) self.dropout = nn.Dropout(dropout) def forward(self, session_content_seq): """ Args: session_content_seq: [batch_size, seq_len, content_embed_dim] 一个会话序列中各个物品的内容特征向量 Returns: user_embedding: [batch_size, content_embed_dim] 会话表征 """ # 通过GRU处理序列 output, hidden = self.gru(session_content_seq) # output: [b, seq_len, hid] # 取最后一个时间步的隐藏状态作为会话表征 session_embedding = hidden[-1] # [b, hid] # 可选：通过一个全连接层变换到内容特征空间 session_embedding = self.output_layer(self.dropout(session_embedding)) # [b, content_dim] return session_embedding # 使用示例 model = ContentAwareGRU4Rec(content_embed_dim=256, hidden_size=512, num_layers=2, dropout=0.2) # 假设一个批次有32个会话，每个会话最长10个物品，物品内容向量维度256 batch_content_seqs = torch.randn(32, 10, 256) session_reps = model(batch_content_seqs) # 得到32个会话的256维表征 # 推荐时，计算会话表征与所有候选物品内容特征的余弦相似度 candidate_items_content = torch.randn(10000, 256) # 假设有1万个候选物品 scores = torch.matmul(session_reps, candidate_items_content.T) # [32, 10000]

关键改造点：

1. 输入替换：模型输入从[batch_size, seq_len]的ID索引，变为[batch_size, seq_len, content_embed_dim]的特征张量。
2. 损失函数调整：原始GRU4Rec常使用BPR或交叉熵损失，计算在全体物品ID上的概率分布。改造后，一种实用的方法是采用基于内容的负采样。对于每个正样本物品（会话中下一个点击的物品），随机采样一批负样本物品（非点击的），计算会话表征与正负样本内容向量的点积分数，然后使用BPR损失，让正样本分数高于负样本。
3. 在线服务：在线推理时，需要实时计算或查找当前会话中物品的内容特征，通过模型得到会话表征，然后与所有候选物品的特征库进行近邻搜索（如使用Faiss），而不是查询ID Embedding表。

4.2 利用Transformer与对比学习的冷启动推荐

我们设计一个更复杂的模型，它结合了Transformer编码会话序列，并利用对比学习增强物品表征的区分度。

import torch import torch.nn as nn import torch.nn.functional as F class TransformerContrastiveRec(nn.Module): def __init__(self, content_dim, d_model, nhead, num_layers, dropout): super().__init__() # 将内容特征投影到Transformer的模型维度 self.content_proj = nn.Linear(content_dim, d_model) # Transformer编码器 encoder_layer = nn.TransformerEncoderLayer(d_model=d_model, nhead=nhead, dropout=dropout, batch_first=True) self.transformer_encoder = nn.TransformerEncoder(encoder_layer, num_layers=num_layers) # 序列池化层（使用[CLS]位或均值池化） self.pooling = nn.Linear(d_model, d_model) # 简单的可学习池化 # 用于推荐任务的全连接层 self.rec_head = nn.Linear(d_model, content_dim) # 用于对比学习的投影头（将表征映射到对比学习空间） self.contrastive_proj = nn.Sequential( nn.Linear(d_model, d_model), nn.ReLU(), nn.Linear(d_model, 128) # 对比学习通常使用较小的输出维度 ) def forward(self, seq_content, padding_mask=None): """ Args: seq_content: [batch_size, seq_len, content_dim] padding_mask: [batch_size, seq_len] Returns: session_rep: [batch_size, d_model] 用于推荐的会话表征 contrastive_rep: [batch_size, 128] 用于对比学习的会话表征 """ # 1. 特征投影 x = self.content_proj(seq_content) # [b, seq_len, d_model] # 2. Transformer编码 # 添加位置编码（此处省略了位置编码的实现，可使用正弦编码或可学习编码） encoded = self.transformer_encoder(x, src_key_padding_mask=padding_mask) # [b, seq_len, d_model] # 3. 池化得到会话整体表征 # 方法1：取第一个token ([CLS]) 的位置 # session_rep = encoded[:, 0, :] # 方法2：均值池化（忽略padding） if padding_mask is not None: encoded = encoded.masked_fill(padding_mask.unsqueeze(-1), 0) sum_encoded = encoded.sum(dim=1) seq_lengths = (~padding_mask).sum(dim=1, keepdim=True).float() session_rep = sum_encoded / seq_lengths.clamp(min=1.0) else: session_rep = encoded.mean(dim=1) session_rep = self.pooling(session_rep) # [b, d_model] # 4. 生成两个不同的输出 rec_ready_rep = self.rec_head(session_rep) # 用于与物品内容匹配 contrastive_rep = self.contrastive_proj(session_rep) # 用于对比学习 return rec_ready_rep, F.normalize(contrastive_rep, p=2, dim=-1) # 对比学习表征需L2归一化 # 训练流程示例（多任务学习） model = TransformerContrastiveRec(content_dim=300, d_model=512, nhead=8, num_layers=3, dropout=0.1) optimizer = torch.optim.Adam(model.parameters(), lr=1e-4) for batch in dataloader: seq_content, pos_item_content, neg_items_content = batch # neg_items_content: [b, neg_num, content_dim] # 获取会话表征 rec_rep, contrast_rep = model(seq_content) # 任务1: 推荐任务损失 (BPR Loss) pos_scores = torch.sum(rec_rep * pos_item_content, dim=-1) # [b] neg_scores = torch.sum(rec_rep.unsqueeze(1) * neg_items_content, dim=-1) # [b, neg_num] bpr_loss = -torch.log(torch.sigmoid(pos_scores.unsqueeze(1) - neg_scores)).mean() # 任务2: 对比学习损失 (InfoNCE Loss) # 假设通过数据增强（如序列裁剪、掩码）得到了同一个会话的两个视图 contrast_rep_a, contrast_rep_b contrast_rep_a, contrast_rep_b = ... # 均来自模型forward # 计算InfoNCE损失 logits = torch.matmul(contrast_rep_a, contrast_rep_b.T) / 0.07 # 温度系数tau=0.07 labels = torch.arange(logits.size(0)).to(logits.device) contrastive_loss = F.cross_entropy(logits, labels) # 多任务损失 total_loss = bpr_loss + 0.5 * contrastive_loss optimizer.zero_grad() total_loss.backward() optimizer.step()

模型设计要点：

1. 双输出头：一个头（rec_head）输出用于与物品内容特征进行匹配的会话表征，直接服务于推荐任务；另一个头（contrastive_proj）输出经过投影和归一化的表征，专门用于对比学习任务，目的是让模型学会区分不同会话的语义。
2. 多任务学习：将推荐主任务（BPR损失）与对比学习辅助任务（InfoNCE损失）联合训练。对比学习任务作为一种强大的正则化手段，能够迫使模型学习到更鲁棒、更具区分度的会话表示，尤其有利于处理稀疏和冷启动场景。
3. 在线服务：推理时，我们只使用rec_ready_rep。计算该表征与候选物品池内容特征的相似度（如点积或余弦相似度），进行排序推荐。

5. 工程落地：从模型到线上系统的关键考量

将“无ID推荐”模型部署到生产环境，会面临一系列不同于传统ID-based模型的工程挑战。

5.1 特征工程与实时计算管道

无ID模型的生命线是高质量、实时的特征。

• 物品内容特征离线计算：建立稳定的离线流水线，使用最新的NLP/CV模型处理物品的文本、图像、视频信息，生成特征向量并存入特征数据库（如Redis、Milvus、或专门的向量数据库）。需要建立版本管理和回滚机制。
• 用户/会话上下文特征实时拼接：在线服务收到请求时，需要实时收集并编码上下文信息（时间、地点、设备等）。这些特征通常是低维的类别型或数值型变量，需要进行标准化和Embedding查找。
• 会话序列的实时构建与编码：这是性能关键点。需要维护一个低延迟的会话存储（如Redis），以session_id为key，存储该会话近期交互的物品ID列表。收到请求时，快速取出物品ID列表，然后去特征数据库查询对应的内容特征向量，拼装成模型所需的[seq_len, content_dim]张量。这里存在一个权衡：序列长度。序列太长影响实时性能且可能引入噪声，太短则信息不足。通常需要根据业务场景设定一个滑动窗口（如最近50次交互）。

5.2 模型服务化与高性能推理

• 模型导出与优化：将训练好的PyTorch/TensorFlow模型转换为适合高性能推理的格式，如TorchScript、ONNX或使用TensorRT进行优化。重点优化Transformer或GRU的计算。
• 向量检索：模型推理输出的是一个会话表征向量（例如256维）。接下来需要在千万甚至亿级别的候选物品向量库中进行最近邻搜索。Faiss是业界标配，它提供了多种高效的索引（IVFFlat、HNSW）和GPU加速支持。需要根据候选集大小、精度要求和延迟预算来选择合适的索引类型和参数。
• 多阶段推荐架构：由于向量检索的计算量随候选集规模线性增长，全量检索通常不可行。一般采用“召回-排序”两阶段架构：
  1. 召回层：使用轻量级、高并发的模型或规则，从全量商品库中快速筛选出数百到数千个相关物品。对于无ID场景，召回可以依赖：基于物品内容标签的倒排索引、基于会话协同的Item-CF（用内容特征相似度替代ID共现）、或一个更轻量的向量检索模型（如双塔模型）。
  2. 排序层：将召回的结果（几百个物品）及其完整的特征（内容+上下文）输入到本章节描述的复杂模型（如TransformerContrastiveRec）中进行精排，得到最终的点击率/转化率预估分数。

5.3 数据闭环与持续学习

无ID模型对数据分布的变化同样敏感。物品内容风格会变，用户群体兴趣也会迁移。

• 在线学习：对于新闻、短视频等极度动态的场景，需要考虑在线学习框架，使模型能够快速吸收新的交互数据。这需要一套稳定的流式数据处理（Flink/Kafka）和模型增量更新（如使用FTRL等在线优化算法）的管道。
• 定期全量更新：即使是在线学习，也需要定期（如每天/每周）用全量数据重新训练模型，以纠正在线学习可能带来的偏差，并充分利用所有历史数据学习更稳定的模式。
• 评估与监控：除了标准的AUC、GAUC等离线指标，必须建立强大的线上A/B测试实验平台。由于无ID模型常服务于冷启动场景，要特别关注新用户/新物品的转化率、留存率等业务指标。同时监控特征覆盖率、向量检索耗时、模型预测分布等工程指标。

6. 常见陷阱、实战心得与未来展望

6.1 踩过的“坑”与避坑指南

1. 特征一致性陷阱：离线训练时使用的特征提取模型（如BERT版本、图像分类网络）必须与线上服务时完全一致。任何不一致都会导致“训练-服务偏差”，使线上效果大幅下降。解决方案：将特征提取模型也纳入版本管理，并封装成统一的离线/在线服务。
2. 冷启动评估不充分：在公开数据集上测试模型效果不错，一上线发现新用户推荐一塌糊涂。这是因为公开数据集往往剔除了过于稀疏的交互，无法反映真实的冷启动情况。解决方案：必须自己构造贴近业务的训练/测试集划分。例如，按时间划分，用老数据训练，用新时间段的数据（模拟新物品）和该时间段内新用户的行为（模拟新用户）来测试。
3. 过度依赖内容，忽视行为序列：基于内容的方法容易陷入“重复推荐相似内容”的困境，导致推荐多样性差。解决方案：一定要结合行为序列信息。即使序列很短，一个两层的GRU也能捕捉到“看了手机再看手机壳”这样的转移模式，这是纯内容匹配难以做到的。
4. 向量检索的精度与效率平衡：使用HNSW索引虽然查询快，但构建慢、内存占用大；IVFFlat需要训练，对数据分布变化敏感。解决方案：根据业务节奏做选择。物品库相对稳定（如电商商品）可选HNSW；物品库更新极快（如新闻），可能需要更频繁地重建IVFFlat索引，或采用其他方案。
5. 上下文特征的噪声：并非所有上下文特征都有用。不加区分地引入大量上下文特征会增加模型复杂度并可能引入噪声。解决方案：进行细致的特征重要性分析（如Permutation Importance）。实践中，时间（小时、工作日/周末）和来源（搜索进入、推荐流进入）通常是最强的信号。

6.2 个人实战心得

• 从简单开始，用基线说话：不要一开始就上最复杂的Transformer+对比学习模型。先实现一个基于物品内容余弦相似度的基准模型，再实现一个简单的GRU4Rec（内容版），把它们的效果作为基线。任何更复杂的模型都必须显著超越这些基线，否则就是不必要的复杂度。
• “无ID”不是“无状态”：虽然我们没有长期用户ID，但依然要尽力维护用户状态。通过安全的、短期的session_id或设备匿名标识符来串联用户在一个时间段内的行为，对于构建有效的序列至关重要。这个时间窗口的设置（30分钟？1天？）需要根据业务特性通过实验确定。
• 融合规则兜底：再好的模型也可能有盲区。在推荐系统的最后一步，可以加入一些简单的规则兜底，比如：当模型对所有候选物品的预测分数都低于某个阈值时，直接返回当前热门或地域性热门内容。这能保证最差的用户体验也有基本保障。
• 重视可解释性：当推荐出错时，没有ID使得调试更加困难。在模型设计中，可以有意保留一些可解释的通道。例如，在深度模型之上，可以同时输出一个“基于内容相似度”的分数和一个“基于序列模式”的分数，方便分析bad case到底是内容理解错了，还是序列模式没捕捉到。

6.3 未来可能的方向

“无ID推荐”远未成熟，结合最新的研究趋势，我认为以下几个方向值得深入探索：

1. 超大规模预训练推荐模型：类似于NLP中的GPT、CV中的CLIP，训练一个超大规模的、基于匿名行为的序列预训练模型。这个模型能够对“用户行为语言”有深度的理解，然后通过提示学习或少量微调，快速适配到各种下游推荐场景，从根本上解决冷启动和稀疏性问题。
2. 因果推断与反事实学习：无ID场景下，我们观察到的数据选择性偏差更严重。利用因果推断的方法，去估计用户对未曝光物品的真实兴趣，而不是被曝光机制所混淆的兴趣，可能带来更公正、更有效的推荐。
3. 联邦学习下的隐私保护推荐：这是“无ID”的终极形态之一。在数据不出域的前提下，如何在多个客户端（用户设备）上协同训练一个推荐模型？联邦学习与无ID推荐技术的结合，能在绝对保护隐私的情况下实现个性化，是符合未来数据监管趋势的重要方向。
4. 多模态理解的深度融合：未来的物品内容不仅仅是文本和图片，还包括视频、3D模型、音频等。如何更好地融合这些多模态信息，生成一个更全面、更语义丰富的物品表征，是无ID推荐持续提升效果的关键。