本文主要分四個(gè)部分進(jìn)行講解，分別是：推薦簡介，推薦三要素，算法和產(chǎn)品，一些思考。

1.了解推薦系統(tǒng)發(fā)展歷程

什么是推薦系統(tǒng)？在早期的時(shí)候，是沒有推薦算法的，我們所有人看到的所有網(wǎng)站都是完全一樣的。這個(gè)時(shí)期比較有代表性的就是我們熟知的三大門戶，比如搜狐，所有人看到的所有內(nèi)容都是一樣的，沒有任何的基于你的和你完全匹配的相關(guān)內(nèi)容。

在接下來的一段時(shí)期，推薦系統(tǒng)的數(shù)據(jù)發(fā)生了一些變化，我們可以看到圖上有了一些新的內(nèi)容，如“手機(jī)關(guān)注排行榜”，這些“排行榜”就已經(jīng)歸屬于推薦系統(tǒng)的范疇了。因?yàn)橛脩魰袕谋娦睦?，熱門的信息就代表大家都會看，那么熱門的手機(jī)代表大家很多人都會買。熱門的內(nèi)容給大家看到，點(diǎn)擊率和轉(zhuǎn)化率都會高。

再比如右邊的“本地行情”，這個(gè)概念是說如果內(nèi)容，通過IP或者其它的一種互聯(lián)網(wǎng)的形式獲取到，那么可以根據(jù)如地理位置信息對用戶進(jìn)行內(nèi)容推薦，這時(shí)候給用戶看到的內(nèi)容就更加相關(guān)。

再比如我們可以看左下角的這個(gè)截圖，它是愛奇藝播放視頻時(shí)的一個(gè)PC網(wǎng)頁的截圖。上面的“八角亭迷霧”，它是段奕宏主演的，很多人看了段奕宏的視頻覺得非常好，那么這些用戶可能還會看他演出的其它視頻，這也屬于推薦系統(tǒng)的范疇。

一直到今天，蓬勃發(fā)展的個(gè)性化推薦。我們可以看上圖：左側(cè)第一個(gè)和第二個(gè)是抖音和快手這樣聞名的短視頻平臺；中間的新聞?lì)惖牡谌齻€(gè)是頭條第四個(gè)是知乎；右邊的第五個(gè)是電商類的京東。所以在生活的每一個(gè)細(xì)節(jié)，都有推薦系統(tǒng)在發(fā)揮它的能力，給用戶帶來很大的便捷。

2.什么是推薦系統(tǒng)

到這里，我們該如何定義推薦系統(tǒng)呢？維基百科的定義是：推薦系統(tǒng)是一種信息過濾系統(tǒng)，用于預(yù)測用戶對物品的“評分”或“偏好”。

它講的是一個(gè)比較抽象的概念，它的很重要的一個(gè)點(diǎn)已經(jīng)說出來了：第一，推薦是和用戶相關(guān)；第二，要預(yù)測用戶對應(yīng)匹配的物品。

我更喜歡把它叫信息，因?yàn)樗械膬?nèi)容都會經(jīng)過信息這樣一個(gè)載體展示出來，那么信息過濾系統(tǒng)是什么呢？它是指推薦系統(tǒng)是從大量的內(nèi)容里面選取用戶喜歡的內(nèi)容展示給用戶。

3.推薦系統(tǒng)的技術(shù)架構(gòu)

接下來我們來看推薦系統(tǒng)的技術(shù)架構(gòu)。大家如果對推薦系統(tǒng)有一定的了解，一定看過網(wǎng)上的很多文章，基本都是以技術(shù)的視角去講推薦算法。如果是技術(shù)的視角，它就會有一個(gè)大致的數(shù)據(jù)流向的架構(gòu)，如上圖。

大家可以看到在左上角，有一個(gè)箭頭指向的方向，這一塊主要是在做描述用戶，左下角的數(shù)據(jù)主要在描述信息，也就是說一個(gè)推薦系統(tǒng)，在做用戶和信息的匹配，最終挑選出用戶最喜歡的數(shù)據(jù)。

所以我們的推薦系統(tǒng)在最開始的時(shí)候就要去做信息的收集，包括用戶的信息收集，還有信息本身的收集，而在這個(gè)過程中，它會經(jīng)歷一個(gè)叫召回的服務(wù)。什么是召回服務(wù)呢？就是我猜用戶可能喜歡什么內(nèi)容，這個(gè)就叫召回服務(wù)。

在召回之后會有一個(gè)叫排序服務(wù)，什么叫排序服務(wù)呢？排序服務(wù)用通俗的話講就是在第一步的時(shí)候已經(jīng)猜出用戶可能喜歡什么，但在第二步的時(shí)候要確定用戶最喜歡什么。經(jīng)過排序服務(wù)靠前面的信息就一定是用戶更喜歡的，至少在算法側(cè)是這么認(rèn)為的。

再下來是重排序服務(wù)。比如視頻來源于同樣一個(gè)分類，推薦系統(tǒng)排視頻的時(shí)候，我們希望連續(xù)的兩個(gè)視頻不要出現(xiàn)同樣的分類，于是我們就會對它進(jìn)行打散，這就是重排序中要做的事情。最后我們把它在應(yīng)用場景的位置進(jìn)行落地，比如我們看視頻那它就會有feed流、信息流的部分，也可能會有一個(gè)視頻相關(guān)的底層的推薦，這些就是具體的應(yīng)用場景。

4.常用算法

這里我寫了三個(gè)最常用的算法。

第一個(gè)推薦算法是基于內(nèi)容的推薦，如果用戶瀏覽或購買過某種類型的內(nèi)容，則給用戶推薦這種類型下的其它內(nèi)容。比如我們剛才看到的主演還演過什么，這種是基于內(nèi)容的推薦。

第二種叫用戶協(xié)同過濾，跟用戶喜歡的東西類似的東西用戶也可能喜歡。比如購買了該商品的用戶還購買了什么商品，這就是用戶協(xié)同過濾的概念。

第三種是物品協(xié)同過濾，跟用戶喜好相似的人喜歡的東西，用戶也很有可能喜歡。比如用戶買過一個(gè)商品，可能還需要什么。

現(xiàn)在推薦算法在各大廠已經(jīng)變成一個(gè)完全公共的封裝好的服務(wù)，可以賣給大家或給大家存的服務(wù)，它最常用的算法基本也就是目前我列的這三個(gè)。因?yàn)楹芏喾?wù)完全是公允的，它不獲取用戶大量的信息，只獲取用戶的行為。那它基本就用這三種算法進(jìn)行相應(yīng)的推薦。

第二部分講的是非常核心的部分，也就是說作為一個(gè)推薦產(chǎn)品經(jīng)理，應(yīng)該如何去思考，去設(shè)計(jì)一個(gè)推薦系統(tǒng)。最重要的思考的點(diǎn)是什么？如何通過一個(gè)比較體系化的思考，能把我們確定場景下的推薦系統(tǒng)的一個(gè)需求確定出來，且知道如何評判它。

1.推薦三要素

推薦的三要素是：信息，用戶，平臺。我們可以看到在維基百科定義的時(shí)候，主要講的是用戶和信息的匹配，但是忽略了一點(diǎn)，就是推薦系統(tǒng)中還有一個(gè)非常重要的因素就是平臺。接下來我來講一下每個(gè)要素都有什么樣的發(fā)展階段或者特點(diǎn)，那么針對這個(gè)特點(diǎn)我們都要思考哪些東西。

2.推薦三要素-信息

首先我先講信息的部分，我們?nèi)绾嗡伎夹畔⑦@個(gè)要素對推薦系統(tǒng)的影響。如果網(wǎng)站或app的信息量非常的少，那么應(yīng)該如何做推薦？比如某平臺同時(shí)在線百萬級以上用戶，但是每天更新的信息量只有幾十個(gè)，它可能是非常垂直非常專業(yè)的論壇。這個(gè)時(shí)候其實(shí)不太用推薦系統(tǒng)，更多使用排序就可以了。

然后內(nèi)容再放大，放大到幾千個(gè)，這個(gè)時(shí)候話題、熱門就變得很重要。需要設(shè)計(jì)整體的對外信息展示的形式。

接下來在數(shù)據(jù)量能夠支持垂直體系的時(shí)候。什么叫能夠支持垂直體系呢？比如在本地生活里，發(fā)現(xiàn)這些內(nèi)容不斷堆積之后，對生活小常識這樣的事情支持的非常好，其它內(nèi)容相對來說價(jià)值都比較低，那么這個(gè)時(shí)候我們應(yīng)該做些什么？應(yīng)該做的是把這個(gè)話題和子話題都構(gòu)建好，讓用戶最方便的成體系的去瀏覽最精華的內(nèi)容。這才是我們應(yīng)該思考的方式，同樣在這個(gè)垂直的體系下，是否用一定的算法引導(dǎo)用戶，持續(xù)觀看這個(gè)話題或深入了解這個(gè)話題。

最后當(dāng)信息量足夠豐富的時(shí)候，能夠支撐每一個(gè)用戶的興趣愛好的時(shí)候，我們應(yīng)該做些什么事情。這個(gè)時(shí)候就是推薦系統(tǒng)最應(yīng)該發(fā)揮作用的時(shí)候，我們應(yīng)該引入個(gè)性化推薦。

3.推薦三要素-平臺

推薦系統(tǒng)的第二個(gè)要素是平臺，它是非常重要的一個(gè)要素，首先平臺是有不同時(shí)期的。比如一個(gè)平臺的發(fā)展初期，這個(gè)時(shí)候可能有非常多的限制。比如硬件資源不夠，比如算法能力不足不夠強(qiáng)大，再比如信息量也不夠多。那這個(gè)時(shí)候我們應(yīng)該如何設(shè)計(jì)推薦系統(tǒng)，也就是說選擇一個(gè)最合適的、能讓用戶相對更個(gè)性化的看到內(nèi)容的方式就足夠。在這個(gè)時(shí)候其實(shí)是一個(gè)各種制約下的平衡，比如熱門就是一個(gè)非常好的推薦方式，比如超話也是非常好的形式。

再比如剛才說的可以進(jìn)行一定知識體系的結(jié)構(gòu)的內(nèi)容展示，都是發(fā)展初期非常好的方式。另外可以根據(jù)一些簡單的TF-IDF這樣的一些算法，用非常簡單的方式對信息進(jìn)行整合，推出來相關(guān)的內(nèi)容。

有一句話是：在信息傳遞的過程中，只要用了算法，哪怕它是非常簡單的，都會比人工運(yùn)營的效果要更好一些。所以，在發(fā)展的初期，選擇一個(gè)合適的能幫助你有一定提升的算法很重要。

到了成長期的時(shí)候，一般用戶會爆發(fā)式的增長。那這個(gè)時(shí)候平臺思考的應(yīng)該是什么？該如何能構(gòu)建出一個(gè)支撐起用戶個(gè)性化體驗(yàn)的生態(tài)，包括是不是有大量的內(nèi)容引入。如果平臺內(nèi)容是由UGC產(chǎn)生的，那是不是引入大量的用戶賬號，這些就是成長期平臺應(yīng)該思考的問題。它雖然不是推薦算法，但它卻是推薦系統(tǒng)整個(gè)體系中非常重要的一環(huán)。

最后一個(gè)過程會進(jìn)入到成熟期，平臺一旦進(jìn)入到成熟期，無論是資源還是開發(fā)的人力、信息的豐富度、以及商業(yè)環(huán)境都變的及其的成熟。這個(gè)時(shí)候平臺在推薦的過程中要考慮的是什么？要考慮的是長遠(yuǎn)的目標(biāo)，也就是說類似于像用戶的留存，用戶的停留時(shí)長，以及用戶的轉(zhuǎn)化率，就變得非常重要。

也就是說商業(yè)指標(biāo)一般是在商業(yè)的成熟期之后，才是非常重要的追逐指標(biāo)。在平臺的發(fā)展初期以及成長期，我們更關(guān)注的是如何快速的吸引用戶，且讓用戶喜歡上我們的平臺。

4.推薦三要素-用戶

我們來看推薦三要素中的第三個(gè)要素，就是用戶。用戶來到平臺之后，會分為幾個(gè)關(guān)鍵的步驟。第一個(gè)步驟，是最難做的用戶冷啟動階段。我們都知道推薦系統(tǒng)是對信息的一個(gè)匹配程度，我們要讓用戶去匹配信息。在剛才的技術(shù)架構(gòu)上我們也看到了，就是如何描述用戶，但是用戶總有第一次打開應(yīng)用的時(shí)候。那這個(gè)時(shí)候應(yīng)該如何做冷啟動，如何讓用戶停留下來，這就是一個(gè)非常重要的思考點(diǎn)，而且這也是各個(gè)平臺花很大力氣都去關(guān)注的點(diǎn)。

冷啟動中有幾個(gè)非常重要的點(diǎn)。第一個(gè)是冷啟動要盡量讓用戶看到平臺最優(yōu)質(zhì)的內(nèi)容，這件事情非常重要。

第二個(gè)是雖然是冷啟動，依然可以用很多的技術(shù)手段獲得用戶的一些相關(guān)信息。比如用戶打開一個(gè)app，那用戶的手機(jī)是安卓的還是IOS的，其實(shí)都是用戶畫像中的一部分。比如說蘋果的用戶，我們就給他提供一些蘋果手機(jī)使用技巧的內(nèi)容。我們還可以給他看一些蘋果配件的售賣，這些都是推薦系統(tǒng)可以做的事情，且與用戶非常強(qiáng)的相關(guān)。

還有就是冷啟動的時(shí)候我們也可以獲取用戶的地理信息，同時(shí)冷啟動中我們還可以盡量在用戶第一次打開app的時(shí)候，對他進(jìn)行一系列的引導(dǎo)，讓用戶自己告訴平臺他是什么樣子的。比如在注冊過程中讓用戶勾選喜歡的視頻分類，當(dāng)然一般來講都允許跳過，因?yàn)槭菫榱朔奖阌脩簟?/p>

但是我們經(jīng)過大量的數(shù)據(jù)來看，一般還是會有30%以上的用戶由于平臺的成熟度與垂直度，專業(yè)性的不同，平臺保存的信息量會有一定的變化，這個(gè)是對用戶畫像非常好的一個(gè)補(bǔ)充。

在這個(gè)階段，還有一個(gè)非常重要，我們一定要注意的，就是在用戶的冷啟動階段，不要引入任何的商業(yè)體系。因?yàn)槿魏我粋€(gè)商業(yè)體系當(dāng)用戶新進(jìn)入平臺的時(shí)候，都是會產(chǎn)生損傷的，都會讓用戶產(chǎn)生流失的意愿。而在用戶剛到一個(gè)平臺的時(shí)候，平臺真正希望的并不是榨干這個(gè)用戶的價(jià)值，而是把這個(gè)用戶培養(yǎng)成它的忠實(shí)用戶，這才是平臺的意愿。

在第二個(gè)階段中呢，就會進(jìn)入到有了一些基礎(chǔ)的用戶信息，但是它不夠描述，我們要進(jìn)行畫像的培養(yǎng)階段，畫像的培養(yǎng)就是要對這個(gè)用戶越來越了解。這個(gè)時(shí)候我們也會有幾點(diǎn)需要注意的事項(xiàng)，第一點(diǎn)是在用戶畫像培養(yǎng)階段，在用戶畫像并不穩(wěn)定的時(shí)候，我們依然不要引入任何商業(yè)化的內(nèi)容，比如說商業(yè)廣告這種體系就不要引入。

所以在冷啟動和畫像培養(yǎng)的階段都不需要引入商業(yè)，大家可能會覺得平臺是不是會有一定的流量浪費(fèi)，因?yàn)樗划a(chǎn)生商業(yè)價(jià)值。但實(shí)際的執(zhí)行結(jié)果是，當(dāng)平臺把一個(gè)用戶當(dāng)成一個(gè)忠實(shí)的粉絲去培養(yǎng)的時(shí)候，當(dāng)他進(jìn)入到平臺的固定粉絲角色中的時(shí)候，平臺未來的商業(yè)收益才是最大的。

如果誰愿意測試的話，可以拿一個(gè)新的手機(jī)，一個(gè)新的賬號去打開抖音，然后每一個(gè)視頻不播放只不停的滑動，可以用7天到半個(gè)月的時(shí)間去看看你的視頻里面有沒有廣告。正常來講如果你沒有誤播，即使經(jīng)過半個(gè)月或一個(gè)月，都不會遇到任何一個(gè)商業(yè)化的廣告。

當(dāng)我們的算法不斷的推薦相關(guān)的內(nèi)容去探索用戶，以熱門視頻、以用戶畫像為主去推薦視頻的時(shí)候，這個(gè)階段，平臺不斷的用平臺一定比例的視頻去探索用戶的興趣，不斷的對用戶進(jìn)行用戶畫像的描繪。

那一旦進(jìn)入到用戶畫像穩(wěn)定的階段，這個(gè)時(shí)候我們要在意的就是讓用戶如何感知平臺更懂他，但在這個(gè)感知過程中，并不產(chǎn)生恐懼。也就是說不能讓用戶在一個(gè)信息繭房里永遠(yuǎn)出不來，信息繭房的意思是用戶處于自己感興趣的內(nèi)容中，越來越只看自己喜歡的內(nèi)容，推薦系統(tǒng)就繼續(xù)推薦用戶喜歡的內(nèi)容，一直不斷的喜歡，當(dāng)用戶的喜歡加深之后，我們會發(fā)現(xiàn)，用戶再也看不到其他內(nèi)容了，這就是推薦系統(tǒng)中一些典型的潛在問題。

那我們在畫像完善的過程中，要在用戶喜歡和產(chǎn)生重復(fù)之間有一個(gè)度，且在用戶畫像完善階段，我們就要充分引入商業(yè)體系，比如廣告和用戶的自我分享這些相關(guān)的內(nèi)容，包括用戶的好友間的信息的建立，這些都是非常好能提升整個(gè)平臺指標(biāo)的算法使用的能力。

以上就是我要說的推薦三要素：信息，平臺和用戶。所以任何一個(gè)推薦產(chǎn)品經(jīng)理，在思考場景落地算法的時(shí)候，一定要對這三個(gè)維度進(jìn)行思考，才能制定出比較好的推薦策略。如果有一個(gè)事情不思考，會發(fā)現(xiàn)在當(dāng)前或未來的一段時(shí)間內(nèi)產(chǎn)生非常多的負(fù)向的反饋。

比如我們剛才說的平臺，推薦算法非常關(guān)注目標(biāo)，比如我們強(qiáng)調(diào)用戶點(diǎn)擊率。如果我們不斷的強(qiáng)調(diào)用戶點(diǎn)擊率，就會出現(xiàn)一個(gè)問題，就是用戶不斷的看自己喜歡的東西，或者是那些獵奇的內(nèi)容更會被用戶看到。那整個(gè)平臺的價(jià)值，平臺的定性，以及未來平臺可發(fā)展的空間，就都會被壓縮掉，那說明我們就沒有考慮平臺的價(jià)值。

我們要對平臺的不同階段、用戶的不同階段、以及信息量的充裕程度進(jìn)行綜合考慮。我們要思考在當(dāng)前階段，對這種類型的用戶以什么樣的信息表達(dá)方式推薦給他，這是推薦產(chǎn)品經(jīng)理一個(gè)思考的基礎(chǔ)框架。

未完待續(xù)……

-END-