零售電商給你推薦喜愛的日用品、新聞閱讀給你推薦合口味的知識、短視頻軟件向你推薦你最愛的娛樂視頻……

自個性化推薦算法在各種軟件廣泛應(yīng)用開來，千人千面的說辭已經(jīng)被互聯(lián)網(wǎng)用戶熟稔于心。

可以說，這些被頻繁使用的軟件可能比消費者本身還要了解你的偏好。

但，你真的知道，這些軟件是怎么把這些信息更有效率的推送到你面前的么？作為創(chuàng)作者和用戶，如何利用推薦系統(tǒng)反哺自身？

本文將以B站為例，詳細(xì)回答這些問題。

Tag處理：構(gòu)建內(nèi)容和用戶側(cè)寫 

所謂千人千面，放在產(chǎn)品中，人指的是用戶，面指的是內(nèi)容。

一方面，用戶因為年齡、性格、愛好、生活閱歷的不同，對內(nèi)容有不同的需求；另一方面，內(nèi)容的種類和質(zhì)量也影響用戶的偏好。

用戶和內(nèi)容的高效連接和互相成全，是推薦系統(tǒng)，尤其是推薦算法的最高目標(biāo)。

1. 內(nèi)容Tag化

我們先來走一遍用戶視角。

進(jìn)入B站，有明確的動畫、音樂、舞蹈、科技等按內(nèi)容類型劃分的一級導(dǎo)航區(qū)。

以科技區(qū)為例，又可以展開為科學(xué)科普、社科人文、演講公開課等二級導(dǎo)航；當(dāng)你選擇科學(xué)科普欄目，又能看到環(huán)境、科學(xué)、生物、氣象這些小分類。

我們以羅翔教授的這篇《為什么刑法要嚴(yán)格解釋》為例，從科技>社科人文頻道，進(jìn)入視頻詳情頁，可以在頁面中部看到和視頻相關(guān)的信息。

這里有三塊重要信息：

第一，視頻播放量、彈幕量、評論數(shù)和數(shù)據(jù)排行表現(xiàn)，分別為161.1萬、2.6萬、7967和全站日排行最高第七。

第二，點贊數(shù)、不喜歡數(shù)、投幣數(shù)、收藏數(shù)和分項數(shù)，其中不喜歡數(shù)并不顯示，其余可量化的數(shù)據(jù)為24.1萬、10萬、3.3萬和7616。

第三，視頻標(biāo)簽，這里區(qū)分了比較熱門的羅翔、法考專輯標(biāo)簽，也有刑法、校園星UP、厚大等普通熱度話題。

這樣就可以得到一份有關(guān)視頻內(nèi)容的Tag標(biāo)簽：

那這些標(biāo)簽是怎么來的？

我們從投稿流程看一下，哪些是可以由創(chuàng)作者控制的：

從投稿頁面可以發(fā)現(xiàn)，用戶上傳視頻后，可以填寫的內(nèi)容有五項，分別是分區(qū)、標(biāo)題、類型、標(biāo)簽和簡介，其中標(biāo)簽的選擇可以是自定義、推薦來源和參與活動。

如果按照視頻投稿前后來給一份內(nèi)容畫側(cè)寫，創(chuàng)作者相關(guān)信息和內(nèi)容信息可以歸為靜態(tài)數(shù)據(jù)，而具體的數(shù)據(jù)表現(xiàn)隨時間會隨時間變化歸為動態(tài)數(shù)據(jù)。

2. 用戶Tag化

萬物皆有聯(lián)系，“你的氣質(zhì)里，藏著你讀過的書和走過的路”告訴我們?nèi)烁裉刭|(zhì)會受讀書習(xí)慣和生活經(jīng)驗影響，而用戶的瀏覽、消費等操作行為也隱藏著個人的偏好。

先來看一下B站用戶會被記錄哪些信息和行為數(shù)據(jù)。

歷史瀏覽行為：

播放歷史的記錄使得用戶可以方便的追蹤到自己在什么時間看了什么視頻。但用戶往往并不會關(guān)注自己看到了哪里，而只在乎下一次點進(jìn)去是否可以跳過已播放的部分。

但播放時長比是對視頻質(zhì)量評判的一個重要標(biāo)準(zhǔn)：

此外，用戶在視頻詳情頁對內(nèi)容的點贊、收藏或不喜歡等操作，也反映出了個人偏好；評論作為文本數(shù)據(jù)，也可以從其長度、情感偏頗、可讀性反映出用戶對內(nèi)容的喜好程度。

上述可以被用戶明確感知到的行為被歸為顯式行為，而另一類包含屏幕操作軌跡、停留時長等不易被用戶感知到的操作被稱為隱式行為。

后者除了被用于構(gòu)建用戶側(cè)寫外，也可以用于激發(fā)用戶的顯式行為，如在B站視頻詳情頁停留時間滿足一定水平后，會觸發(fā)分享圖標(biāo)轉(zhuǎn)為顏色鮮明的微信圖標(biāo)。

關(guān)注和訂閱：

關(guān)注和訂閱的up主、話題等，也會暴露用戶的興趣。

例如，用戶的關(guān)注列表里70%都是類似巫師財經(jīng)、硬核的半佛仙人、財經(jīng)藥丸這類up主，那系統(tǒng)在評估用戶愛好的時候大幾率會給貼上金融愛好者的標(biāo)簽。

消費行為：

B站用戶的消費除了會員外，還包含課程、虛擬游戲、演出展覽、線下游戲等，而消費會留下交易金額、時間、地址、類型等痕跡。

B站數(shù)億活躍用戶中，移動游戲月均付費用戶接近150萬，直播季度付費用戶120萬，占比僅為1%左右；作為“金主”，他們不僅在權(quán)益享受上優(yōu)于普通用戶，也會因其出色的消費能力而被推薦系統(tǒng)“盯上”，貼上“消費能力佳”的標(biāo)簽。

身份信息：

用戶的身份信息包含性別、年齡、教育水平、地理位置等，允許訪問通訊錄、上網(wǎng)記錄后，平臺還可以獲取到社交關(guān)系和其他產(chǎn)品使用情況，來推算用戶對產(chǎn)品的需求程度。

綜上，本文得出一份有關(guān)用戶信息和行為的Tag標(biāo)簽：

從B站首頁，我們可以發(fā)現(xiàn)：目前基于興趣的推薦視頻一般可以分為這幾種：已關(guān)注、高贊視頻、新星計劃、關(guān)注的人贊過、廣告和互動視頻，這些標(biāo)簽正是基于內(nèi)容或用戶的tag標(biāo)簽推送到了用戶面前，但單一的tag處理，推薦精確度上還有可以優(yōu)化的空間。

打造圈層：內(nèi)容類聚和用戶群分 

完成對內(nèi)容和用戶的tag處理后，這兩者仍是個體，但個體間會因為標(biāo)簽的類似產(chǎn)生聯(lián)系，從而多個個體能夠進(jìn)入同一圈子，權(quán)重和相似性通常被用作劃分圈子內(nèi)個體關(guān)聯(lián)程度的標(biāo)準(zhǔn)。

1. 內(nèi)容類聚

內(nèi)容和內(nèi)容之間的相似度常用創(chuàng)作者相關(guān)信息（認(rèn)證、關(guān)注）或內(nèi)容信息（頻道、話題活動、關(guān)鍵詞）來計算，而數(shù)據(jù)表現(xiàn)則一般用于排序展示在排行榜或熱門中。

這一算法通常用于熱榜推薦場景。

比如動物圈下的熱門標(biāo)簽汪星人、喵星人、大熊貓等，就是因為內(nèi)容信息中關(guān)鍵詞的相似而被劃分為同一類視頻，進(jìn)而可以集中展示；或是搜索場景，依據(jù)關(guān)鍵詞進(jìn)行搜索，關(guān)鍵詞用于和數(shù)據(jù)庫內(nèi)的創(chuàng)作者或內(nèi)容信息進(jìn)行匹配。

2. 用戶群分

用戶和用戶之間的相似度常用用戶行為來計算，這一過程被稱為協(xié)同過濾，主要以基于物品的協(xié)同和基于用戶的協(xié)同為底層框架。

基于內(nèi)容的協(xié)同：

主體是內(nèi)容，根據(jù)用戶喜歡的視頻，找到和這些視頻相似的內(nèi)容再推薦給用戶。

區(qū)別于上述的內(nèi)容類聚，內(nèi)容協(xié)同的過濾標(biāo)準(zhǔn)是用戶行為指向內(nèi)容的相似性，而后者的標(biāo)準(zhǔn)沒有納入用戶的偏好。

基于用戶的協(xié)同：

主體是用戶，根據(jù)某一用戶喜歡的視頻，找到和這位用戶有類似偏好的用戶，再把這個群體所偏好的視頻推薦給用戶。

我們以B站不同視頻的用戶瀏覽情況舉例，來區(qū)分這兩類推薦方式。

假設(shè)用戶A喜歡看科技和數(shù)碼區(qū)的內(nèi)容，B站會給這類用戶推薦什么視頻：

根據(jù)給出的內(nèi)容分區(qū)和瀏覽用戶來判斷用戶的喜好，在基于內(nèi)容的協(xié)同下，系統(tǒng)會給用戶A推薦游戲區(qū)的內(nèi)容——因為這三個分區(qū)的瀏覽用戶相似度更高。

而在基于用戶的協(xié)同下，系統(tǒng)會給用戶A推薦動畫和游戲區(qū)——因為A和用戶B、C的瀏覽歷史相似度更高，而這個群體似乎更偏好這兩個分區(qū)。

這一算法更常出現(xiàn)在推薦場景。

觀察下面這個例子，可以發(fā)現(xiàn)用戶近期觀看的偏好和關(guān)注up主皆是舞蹈音樂類，所以首頁推薦同類視頻的占比可以達(dá)到60%以上。

巧用推薦：B站up主與平臺運營 

1. up主運營建議

1）內(nèi)容冷啟動

對于一個B站內(nèi)新生產(chǎn)的視頻來說，其數(shù)據(jù)表現(xiàn)在短期內(nèi)并不具備很高的參考價值，所以可供推薦系統(tǒng)參考的是內(nèi)容方的靜態(tài)信息。

從創(chuàng)作者相關(guān)信息來看，一個過去創(chuàng)作記錄更優(yōu)質(zhì)的up主的新內(nèi)容會在冷啟動階段獲得更高推薦量；從內(nèi)容信息看，標(biāo)題、更新時間、關(guān)鍵詞和封面則是主要因素。

2）持續(xù)創(chuàng)作能力的培養(yǎng)

對于一名up主來說，標(biāo)題、關(guān)鍵詞的選取不過是短時間的嘩眾取寵，真正能獲得穩(wěn)定關(guān)注者和預(yù)期收益的關(guān)鍵在于提高內(nèi)容質(zhì)量、培養(yǎng)自身的持續(xù)創(chuàng)作能力。

基于平臺對內(nèi)容原創(chuàng)度、垂直度和傳播度的衡量，up主可以更有針對性的尋找自身擅長、熱點度高的版塊，并構(gòu)建自身創(chuàng)作的周期體系，在更新時間、內(nèi)容質(zhì)量上保持穩(wěn)定性。

3）普通用戶也可以訓(xùn)練自己的待看清單

利用推薦算法的機制，普通用戶也可以參照其原理，訓(xùn)練自己的推薦清單，從而合理利用B站。

比如，喜歡科普知識類分享的用戶，在關(guān)注同類up主、延長科普類視頻播放時長、增加點贊、評論、分享行為后，會發(fā)現(xiàn)首頁推送會更合自己的興趣。

2. 平臺運營建議

1）用戶冷啟動

相對內(nèi)容，用戶從注冊到活躍，也會面臨一個從0到1的過程，平臺在此期間最重要的目的是通過優(yōu)質(zhì)內(nèi)容提高用戶活躍和留存。

相比行為數(shù)據(jù)，身份信息是平臺可以獲取到第一手信息，比如依據(jù)手機品牌對用戶偏好做出第一輪興趣猜想。

但要留住用戶，平臺更重要的任務(wù)是尋找到小白用戶的興趣點，給他貼上標(biāo)簽、劃分興趣圈。

一方面，平臺可以通過某頻道的強曝光逐步探索用戶的興趣，鎖定具體分區(qū)并逐漸縮小范圍，或是根據(jù)年齡這一維度更多元的屬性來做用戶協(xié)同推薦；另一方面，平臺可以積極利用用戶在初始階段主動選擇的分區(qū)、關(guān)鍵詞搜索行為來逐步構(gòu)建側(cè)寫。

2）內(nèi)容多樣性和質(zhì)量優(yōu)化

平臺給出的頻道是有限的，而B站月均PUG視頻提交量就可以達(dá)到310萬，顯然，把規(guī)模如此大的視頻數(shù)僅用幾個標(biāo)簽劃分是遠(yuǎn)遠(yuǎn)不夠的。

因此，B站不僅允許創(chuàng)作者給視頻添加已有標(biāo)簽和自定義標(biāo)簽，還允許觀眾給視頻添加標(biāo)簽，豐富視頻維度。

從質(zhì)量上看，B站目前延長了對視頻的審核流程，意味著對視頻真實性、原創(chuàng)、價值引導(dǎo)上的審核會更加嚴(yán)格，這一優(yōu)化不僅是對用戶的尊重，更有利于平臺的長期維護(hù)。

3）推薦算法也要跳出封地

推薦算法的怪圈在于“信息繭房”，一種體現(xiàn)是：用戶越是消費某一類內(nèi)容，系統(tǒng)越會推薦同類內(nèi)容，而其他內(nèi)容被隔離在外；另一種體現(xiàn)是：數(shù)據(jù)表現(xiàn)越好的內(nèi)容越能獲得推薦，而長尾視頻無出頭之日。

針對前者，B站的推薦系統(tǒng)并不會止步于用戶已有興趣的推薦，而是會在探索中鼓勵用戶發(fā)現(xiàn)自身更多元化的興趣，這就是基于用戶的協(xié)同推薦要優(yōu)于基于內(nèi)容的協(xié)同的地方。

針對后者，B站在長尾視頻曝光上，引入了新星計劃，也會提高首頁推薦的權(quán)重。

4）推薦系統(tǒng)>推薦算法

推薦算法并不等同于推薦系統(tǒng)，人工編輯也有一席之地。

推薦算法下的信息流容易遇到熱點話題刷屏等問題，而在價值、新鮮話題的反應(yīng)上，人為和機器推薦的組合有時更能起到畫龍點睛的作用。

5）up主持續(xù)創(chuàng)作的引導(dǎo)

Up主持續(xù)創(chuàng)作的動力不僅來自于金錢激勵，也來自于成就感、社交互動等心理激勵，而合理運用推薦算法可以在滿足創(chuàng)作者心理需求的同時，帶來金錢激勵。

尤其需要注意的是：B站目前月均活躍up主的數(shù)量已達(dá)到百萬級，如何按照活躍度、關(guān)注度、創(chuàng)作質(zhì)量等維度合理分配up主的推薦比重，是B站運營迫切需要解決的問題之一。

-END-