写给产品和运营人的内容推荐框架笔记

0 人点赞了该文章 · 36 浏览

写给产品和运营人的内容推荐框架笔记

许多专业人士的知识结构特点都是：在太少的地方知道的太多。

我们总是希望他们能讲点什么，但很遗憾的是，许多专业人士已经逐渐丧失了和大众对话的能力，他们一开口，讲的东西大多人都很难轻易听懂。

在职场，分工的边界开始变得模糊，大多人需要的是对许多方面都有一定的了解，但又不需要特别精通，从而能和其他人有更流畅的合作，对项目有更宏观的理解，对非专业的知识也能有框架性的认识。

所以本文梳理了内容推荐算法的基础逻辑，没有任何公式和算法程序，10分钟就可以对内容推荐的方方面面有整体的理解。

为了让文章尽可能简化，所有不必要的内容都没有在文中写出，但罗列了许多参考文章，可以进一步扩展阅读。各位在人人都是产品经理、鸟哥笔记、搜狗微信搜索等网站检索，就可以轻易得到文章。

绝大多数已知的事情在逻辑上都是非常简单的，难的地方在于细节的处理、技术的实现。但在“认识”这个阶段，对逻辑的理解非常重要，所以这是一个既重要又简单的部分。

在“实践”阶段则要复杂的多，需要我们自己在做的过程中反复琢磨，找到真正适合自己的方案。

全文分为6个基础逻辑。

传统内容获取方式

在个性化推荐技术大规模应用以前，人们在线获取信息的方式主要依靠搜索引擎、浏览站点首页两种方式。
使用搜索引擎的场景下，用户的需求主动而明确，可以通过关键词获取精准的信息。
浏览站点首页的场景下，用户的需求主动而模糊，可以获得平台推荐给你的信息，这种推荐对所有用户一般是无差别的，比如各大站点首页的轮播图、专栏、热榜等。相关的技术是“热点算法”。
最近几年开始流行的个性化推荐提供足够定制化的信息，每个人都是独一无二的个体，极为个性化的偏好都能得到满足。

「扩展阅读」

内容分发方式

内容分发是从平台的角度来说的，可以分为订阅分发、编辑分发、社交分发、推荐分发。
微信公众号的基本的逻辑是订阅分发，网易首页的轮播图和栏目是编辑分发，微信「看一看」中的“朋友在看”属于社交分发，今日头条APP首页的“推荐”栏目更多属于推荐分发。
许多产品都会把三种方式结合使用，比如知乎首页就有「推荐」、「关注」和「热榜」，甚至有的平台会把这三类都整合在一个信息流中。

「扩展阅读」

搜索引擎&推荐系统

「扩展阅读」

推荐系统&用户画像

内容推荐，就是把合适的内容推荐给需要的用户，推荐系统需要搞定三个大的模块：用户、内容、算法。而用户画像属于用户模块，是推荐系统的重要组成部分。
虽然用户画像还有产品或行业研究等使用场景，但相对次要，在讨论推荐问题的场景下，可以直接把用户画像看作推荐系统的组成部分。
用户的每一次操作都有两种意义。一是对内容进行「群体评估」，用自己的行为决定某篇内容的好坏，二是「个体进化」的意义，通过自身的每一次选择与反馈，持续地改进自身的用户画像。
用户画像就像为每个人构建一个数字躯体，用户画像越完善，推荐系统获得的语义就越丰富，推荐给用户的内容就越精准，用户就可以获得更好的体验。

「扩展阅读」

断物&识人

断物和识人，一个关注内容，一个关注用户，简单来说都是“贴标签”。标签是我们对多维事物的降维理解，抽象出事物更具有表意性、更为显著的特点。

「断物」有三种方式：分类、标签、聚类。
「分类」是树状的，是自上而下依次划分的。在分类体系里，每个节点都有严格的父类继承关系，在兄弟节点层都具有可以被完全枚举的属性值。
应用分类时必须考虑分类权威性和信息完备性问题，避免因为子节点覆盖不全或分类错误导致的认知问题。
知乎的「话题树」就是一个典型的分类体系。
「标签」是网状的，更强调表达属性关系而非继承关系，只有权重大小之分，不强调包含与被包含关系。这就使得相对于分类而言，标签的灵活性更强。
在权威性方面，标签是较弱的，每个用户都可以参与进来，基于自己的偏好贴标签，可以借助规模效应实现对信息表意完备性的覆盖。
豆瓣图书的关键词，就是一个典型的标签系统。
「聚类」可以用来应对难以用标签准确描述的东西，比如说一个人长得漂亮，是由一系列复杂而模糊的综合特征来决定的。
聚类并不是以标签词的方式来定义事物是怎样的，而是基于某一维度的特征将相关物品组成一个集合，并告诉你这个新的物品同哪个集合相似。这种分类算法相对并不直观，对普通用户来说一般处于黑盒状态。
抖音可能会给你推荐「爱跳舞的小姐姐」、也可能会给你推荐「美食做法」，其中的算法就包含对短视频的聚类。