推薦系統技術，總體而言，與NLP和圖像領域比，發展速度不算太快。不過最近兩年，由於深度學習等一些新技術的引入，總體還是表現出了一些比較明顯的技術發展趨勢。這篇文章試圖從推薦系統幾個環節，以及不同的技術角度，來對目前推薦技術的比較彰顯的技術趨勢做個歸納。個人判斷較多，偏頗難免，所以還請謹慎參考。
在寫技術趨勢前，照例還是對推薦系統的宏觀架構做個簡單說明，以免讀者迷失在技術細節中。
實際的工業推薦系統，如果粗分的化，經常講的有兩個階段。首先是召回，主要根據用戶部分特徵，從海量的物品庫裏，快速找回一小部分用戶潛在感興趣的物品，然後交給排序環節，排序環節可以融入較多特徵，使用複雜模型，來精準地做個性化推薦。召回強調快，排序強調準。當然，這是傳統角度看推薦這個事情。
但是，如果我們更細緻地看實用的推薦系統，一般會有四個環節，如下圖所示：
四個環節分別是：召回、粗排、精排和重排。召回目的如上所述；有時候因爲每個用戶召回環節返回的物品數量還