当前，推荐系统已广泛应用于各行各业，而在知乎，推荐系统更是其核心功能之一。

知乎的推荐系统主要分为两类：一类是首页信息流的个性化推荐；另一类则是针对不同用户场景的功能推荐，如问题引导、相关推荐等。这些场景所采用的技术和架构各不相同，张瑞表示，主要依据不同的用户场景来决定使用何种技术和架构。

在首页的个性化推荐中，基础技术包括图文和视频内容的识别和分类、用户画像构建，以及内容中的实体识别和关联分析。在此基础上，系统在召回和排序阶段大量采用了深度神经网络（DNN）技术。

随着平台的发展，知乎不仅增加了视频和音频内容，但文字内容依然占据了重要地位。张瑞指出，相比视频和音频，图文推荐系统的优势在于AI算法可以更深入地理解图文内容，从而提供更优质的推荐。同时，图文内容的理解成本相对较低，更容易被大多数公司接受。

为了进一步提升用户体验，知乎不断升级其推荐系统。最初，推荐系统仅基于用户的关注行为，随着时间推移，系统开始利用更多用户行为数据，结合深度神经网络进行排序，以优化所有用户的体验。

多召回源融合的推荐系统框架使推荐效果显著提升，分发量大幅增加。与此同时，知乎也在探索多目标学习的推荐系统。传统的推荐系统往往只关注用户点击率（CTR），但这种单一目标优化可能导致推荐内容不符合用户期望。因此，知乎的产品研发团队开始考虑用户的多种行为，如点赞、收藏、分享等，以实现多目标学习。

多目标学习系统将用户的不同行为作为多个学习目标，通过共享参数等方式减少训练负担。这一系统借鉴了Google提出的Multi-gate Mixture-of-Experts（MMOE）模型，有效解决了多目标学习中的参数共享问题。

引入多目标学习后，尽管阅读行为略有下降，但用户点赞、收藏、分享等行为显著增加，整体用户留存率提升了约5%。用户反馈显示，新的推荐系统使得Feed流内容质量更高，用户体验更好。

然而，团队仍面临一个问题：如何平衡用户在不同场景下的需求，以最大化用户和平台的整体收益。为此，知乎正在尝试通过用户分群来动态调整推荐策略，以便更好地满足不同用户的需求。

当前，业界的推荐系统大多关注CTR和CVR等单一指标，而忽视了用户体验的整体优化。张瑞认为，通过多目标学习实现全局最优，可能是提升用户体验的有效途径。