Spotify 内部自曝：在大模型时代，个性化推荐正在被彻底重写

如果你还以为推荐系统只是“多听多推”，那你已经落后了。来自 Spotify 的 Shivam Verma 在一次分享中透露：真正的个性化，正在从规则和特征工程，转向以大模型和 embedding 为核心的全新范式。这不仅改变了推荐系统，也在重塑 AI 工程师的工作方式。

一个反直觉的开场：个性化不是“更复杂的规则”

Shivam Verma 一上来就点破了一个很多从业者默认接受、却正在失效的假设：个性化并不是靠堆更多规则、更多特征、更多 if-else 来实现的。在 Spotify 这样的规模下，传统推荐系统曾经依赖精细的人工特征工程，把用户拆解成无数标签，再和内容做匹配。但问题是，这条路越来越走不动了。

原因很简单：用户的兴趣不是静态的，内容的语义也不是离散的。你今天听的是 Lo-fi，明天可能切到 Techno，中间的过渡很难用规则描述。Shivam 提到，他们真正想做的，是“让系统尽可能理解你，而不是约束你”。这句话背后，其实已经暗示了范式转移的方向。

从推荐系统到“理解系统”：embedding 成了核心资产

在分享中，Shivam 多次提到一个关键词：embedding。它不再只是一个模型输出，而是整个个性化管线的基础表示。

过去的做法是：先定义用户是谁，再决定推什么内容；而现在更像是：把用户和内容一起投射进同一个高维空间，看“距离”自然决定结果。用户最近的收听行为、长期偏好、甚至探索欲，都被压缩进一个连续、可计算的向量里。

更重要的是，这个 embedding 空间不再是为某一个下游任务服务的。它是通用的，可以被搜索、推荐、排序、探索等多个系统同时使用。这也是 Shivam 提到的一个关键变化：从 task-specific model，走向 foundation modeling 的思路。模型不只是“算分器”，而是在回答一个更底层的问题——这个用户，和这个内容，在语义上有多接近？

“模型已经很聪明了”，工程师要做的反而变了

Shivam 在中段抛出了一句看似轻松、但信息量很大的话：“These models are like really smart.” 听起来像一句玩笑，但对工程团队来说，这是现实压力。

当模型能力迅速提升，工程的重心开始发生位移。以前比拼的是谁能手工设计出更巧妙的特征；现在更重要的是：你喂给模型什么样的世界。数据是否覆盖足够全面？catalog 是否被充分理解？不同内容之间的关系有没有被正确建模？

这也是为什么他花了相当篇幅讲 catalog understanding。内容不再只是一个 ID，而是一个可以被“整体理解”的对象。只有当内容本身被建模得足够好，用户 embedding 才有意义，推荐结果才不会流于表面相似。

当用户建模完成，推荐才刚刚开始

在分享的后半段，Shivam 描述了一个完整闭环：先理解用户，再理解内容，最后才是推荐本身。这个顺序非常重要。

很多团队会急着问：我该怎么排？怎么推？但在 Spotify 的语境里，真正的难点在前面——“这个人现在到底在听什么样的东西？”一旦这个问题被 embedding 空间回答，推荐反而变成了一个相对自然的结果。

这也解释了为什么他们强调“给用户尽可能多的控制权”。不是通过更多按钮，而是通过更精准的理解，让系统的行为更符合直觉。最终目标不是让算法显得聪明，而是让用户感觉：这就是我想听的。

总结

这场分享传递的信号很明确：在大模型时代，个性化推荐的竞争焦点已经变了。它不再是规则设计的艺术，而是表示学习和系统理解的能力。如果你是 AI 从业者，这意味着两件事：第一，embedding 和 foundation model 不只是“模型选型”，而是长期资产；第二，真正拉开差距的，是你如何建模用户与世界的关系。一个值得思考的问题是：在你自己的产品里，哪些“推荐问题”，其实应该先被重新定义为“理解问题”？

关键词： 个性化推荐， Embedding， 大模型， 推荐系统， Spotify

事实核查备注： 需要核查：演讲者姓名拼写（Shivam Verma）；演讲所属会议与视频时长；Spotify 是否明确使用 foundation model 这一内部表述；embedding 是否被官方作为跨系统通用表示。