产品经理懂推荐（一）-什么是推荐系统4 months ago3收藏分享举报{&debug&:false,&apiRoot&:&&,&paySDK&:&https:\u002F\\u002Fapi\u002Fjs&,&wechatConfigAPI&:&\u002Fapi\u002Fwechat\u002Fjssdkconfig&,&name&:&production&,&instance&:&column&,&tokens&:{&X-XSRF-TOKEN&:null,&X-UDID&:null,&Authorization&:&oauth c3cef7c66aa9e6a1e3160e20&}}{&database&:{&Post&:{&&:{&isPending&:false,&contributes&:[],&title&:&产品经理懂推荐（一）-什么是推荐系统&,&author&:&iamhamu&,&content&:&\u003Ch2\u003E引\u003C\u002Fh2\u003E\u003Cp\u003E随着以今日头条为代表的内容聚合平台崛起[备注]，在互联网的世界里，原本只有电商关注的推荐系统被业界人士越来越多的提起，甚至成为产品的标配。那么作为一名产品经理，就不可避免地要接触到推荐系统。很多非技术出身的产品对推荐畏之如虎。本章的目的就是帮助入门读者去解开推荐的面纱，去理解推荐、利用推荐实现新的产品目标。为了到达这个目的：本章首先介绍什么是推荐，推荐的目标是什么；然后，本章带领读者了解推荐的流程和原理；最后，本章最后尝试在更高的视角上帮助读者理解推荐，从而把推荐融入到整个产品当中。本章只是带领读者入门，不会深入涉及技术原理，请放心阅读(￣▽￣)~*。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Ch2\u003E狭义上的推荐\u003C\u002Fh2\u003E\u003Cp\u003E首先拉到上帝视角谈谈信息检索（Information Retireval）。信息检索是人类的一大基础需求，在互联网时代意味着流量入口和钱。大到整个互联网的信息，小到应用里某个功能页面的信息，都在信息检索的范畴内。帮助用户快速找到需要的信息通常是做好一个产品的第一步。人类发现信息的方式通常有三种：\u003C\u002Fp\u003E\u003Cp\u003E主动发现：一个人心理有明确的目标，找到什么信息。比如你加班饿了，想买一桶桶装的康帅傅(故意的)红烧牛肉面：（1）熟悉附近环境的你，可能直接走到最近的便利店，找到靠内柜台的下方，拿起泡面走人。映射到线上的情况，就是什么老司机的你，夜深人静的时候默默在浏览器地址栏里面输入了烂熟于心的网址，一个回车键；（2）如果你对周围不太数据，你可能走到一家超市。根据指引走到食品的货架前从前往后扫，直到发现方便面的货架。然后找到康帅傅的架子，再拿起红烧牛肉面。映射到线上的情况就是，你打开网址导航，找到对应的分类，最后再分类中找到目标网站。这种现在看来有点笨的方式在互联网刚开始的时候非常方便（现在对于一些输入困难用户仍有奇效），由此成就了巨头雅虎；（3）还有一种办法就是你问了一个附近的同事，同事给了你几个选择，并推荐你去楼下的便利店，你照做了，迅速找到了嘴馋多时的面。这种方式映射到线上的情况就是搜索，你在搜索框里输入\&XX社区\&，然后一个回车，点击页面上的第一个结果（注意不要点到广告！）。同样，这种更快捷的信息查找方式成就了一个更强大的互联网巨头-谷歌。\u003C\u002Fp\u003E\u003Cp\u003E被动接受：一个人心理没有明确目标，但是又想找个点信息消费。比如你加班饿了，想吃点东西解解馋，你来到一家大型超市：（1）首先你发现超市门口就有很多特价促销的食品，薯片刚好是你的最爱，于是你直接拿走，映射到线上体验就是，你来到一个网站，看到首页的banner图很吸引人，直接就点击了；（2）你觉得薯片不太健康，不是最近长肉的你应该吃的，所以你来到食品区，一番对比找到了自己想要的食物。映射到线上的情况就是作为军事爱好者的你打开网站的军事频道，细细浏览了一番。前面两种方式的组合从另一个方面成就了雅虎，也就是门户网站；（3）\u003C\u002Fp\u003E\u003Cp\u003E混合模式：同样一个人心理没有明确目标，但是又想找个点信息消费，而在混合模式中不一样的是，信息供应方对信息需求方有一定了解，并且愿意通过这些了解为用户提供定制的服务，让用户被动接收的信息都是他们感兴趣的，跟用户主动搜索的体验接近。比如你加班饿了，想吃点东西解解馋，你来到一家大型超市：（1）你发现薯片旁边放着就是可乐，刚好都是你最常卖的食物，于是你一把拿走。对应到线上体验，你在亚马逊上本来想买本产品经理相关的书，结果发现下面的组合套餐更优惠，于是一起买了；（2） 你又发现拐角处的巧克力正是昨天朋友跟你天花乱坠夸了一通的那一款，干脆买一包尝尝。映射到线上体验，你昨天微博上关注了几个用户，因为这些好友都是你朋友关注的。\u003C\u002Fp\u003E\u003Cp\u003E回想自己的日常生活，没有明确目标地浏览信息是非常常见的行为。对比被动模式和混合模式，显然混合模式的体验更佳。现实生活中收到物理资源的限制，商家很难为单一的顾客提供个性化的服务，而这一限制在互联网的世界里荡然无存，软件产品可以做到千人千面而没有太多额外的成本。为了更好地提供混合模式的信息检索服务，推荐系统营运而生。那么怎么定义推荐系统(Recommender System)？\u003C\u002Fp\u003E\u003Cp\u003E推荐系统是向用户建议合适的信息的技术\u003C\u002Fp\u003E\u003Cp\u003E从定义本身出发，我们可以看到推荐系统里涉及到的三个主要元素：用户、（合适的）场景和信息。这里的信息取决于用户的需求，包括真实的物品(如亚马逊的图书推荐)，或是内容(今日头条的新闻和视频推荐、网易云音乐的音乐推荐)，或者某个人(微博的好友推荐)，甚至是个性化的广告(阿里妈妈的淘宝广告)等等。下面我们进一步明确推荐系统的目标，它能给产品的提供方和使用方分别带来什么？\u003C\u002Fp\u003E\u003Ch2\u003E推荐的目标\u003C\u002Fh2\u003E\u003Cp\u003E首先要明确，信息过载（Information Overload）[备注，维基百科]的时代早已到来。IDC报告显示，预计到2020年全球数据总量将超过40ZB(相当于4万亿GB)，这一数据量是2011年的22倍。大家可能对ZB没啥概念，形象一点的说，如果有一台超级大的打印机和一张超级大的纸，我们在上面打印1ZB的文字(每平方毫米一个字符)，那么我们得到的这张纸大约可以包裹整个地球2次。在过去几年，全球的数据量以每年58%的速度增长。随着日常活动的数字化，在未来网络存储数据的增长速度会更快。在这样的时代里，信息的消费者和生产者两端都面临着巨大的挑战：从消费者的角度而言，在海量的信息里发现自己需要的信息无异于大海捞针。更何况这个大海每天都在膨胀，而且海量有很多假的针等着你去入坑。学术界也通常把推荐系统归为信息过滤（Information Filtering）的一个分枝；从信息生产者的角度，如何处理和运用海量的数据，挖掘出数据中的宝矿，去更好地服务消费者则成了难题。\u003C\u002Fp\u003E\u003Ch2\u003E消费者视角-从人找信息到信息找人的蜕变\u003C\u002Fh2\u003E\u003Cp\u003E前面我们说到，如果用户有明确的目的，搜索是一个非常方便快捷的信息检索方式。但是随着智能手机和移动网络的普及，用户得到了越来越多的碎片化上网时间，“杀时间”成了很多产品的核心目标。人都是懒惰的，在这些碎片化的时间里，用户通常没有主动发现信息的目的和动力，因此人找信息的方式在碎片化时间里前途渺茫。相反，如果产品能适时为用户过滤掉那些无关的内容，推荐出感兴趣的内容，让对的信息找到对的人，那么这个推荐能力将大大提升用户的使用体验。推荐能力提升产品体验的“一减两增“：\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E减负担：\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E不要用户主动提出需求，只要打开产品，就能有刚兴趣的信息立即可以消费，就能速食产品不需经过加工烹煮一样简单，开袋即食。首先，好的推荐能力让用户没有心理负担，大大减少了用户打开产品的心理障碍，下意识地就打开产品。比如，你在没有明确目的的情况下不会打开百度（测试网络连接的情况除外），而你在无聊的时候可能手贱打开网易新闻。其次，好的推荐能力大大降低了用户的操作负担，配合信息流的方式，形成刷的快感。就像你无意间打开网易信息，一睁眼，一下午又过去了。PC时代搜索引擎作为流量的主要入口的情况一去不复返了。在移动互联网时代，入口分散在一个个APP内，需要信息主动去触及用户，减少用户负担，否则只能埋没在01字节中。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E增新颖：\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E你可能喜欢看《晓松奇谈》，晓松哥上知天文下晓地理让你眼冒星星：“哇，世界原来那么大，而且那么有趣。”，感觉为你打开了一扇通往“那么大的世界”的窗。是的，一个人的认知是极其有限的，世界上更多的是他不知道的信息。既然是不知道的信息，也就没有主动发现的可能。但是好的推荐系统能根据用户的历史行为帮用户打开通往新世界的门，带来超出预期的体验。比如一个天文爱好者经常看彗星相关的内容，今日发现“扫把星”的奇闻异事，细看原来扫把星就是彗星。用户会发现这个推荐合情合理。(????)\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E增惊喜：\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E跟干脆面里面的水浒卡，游戏里面的彩蛋一样，一些信息跟你在产品的主要消费行为无关，但是却非常对你的胃口，这就是惊喜。还是那个天文爱好者，今天发现了可燃冰开采的消息，感到非常振奋，点开这条内容有种中奖的感觉。天文和可燃冰本身八杆子打不到，却能被推荐出来，用户会感到出乎意料。!!!∑(?Д?ノ)ノ当然好的出乎意料叫惊喜，不好的出乎意料叫惊吓，提升惊喜度的同时要谨慎对待。\u003C\u002Fp\u003E\u003Ch2\u003E生产者视角-推荐的“六增”目标\u003C\u002Fh2\u003E\u003Cp\u003E\u003Cb\u003E增消费：\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E通常对信息生产者而言，最首要的目标就是消费。而他们引入推荐系统的首要目的也是提高转化率，增加用户对核心商品\u002F内容的消费。就是提高有消费行为的用户在所有信息展现用户中的占比。即使是最简单的基于人口统计学的推荐，比如按照用户的性别、年龄或地理位置划分，然后按不同组别做销量排名，也比没有使用任何推荐算法的效果好，因为用户有更大的机会看到自己想要的信息，从而提升消费的转化率。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E增信任：\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E信任是日积月累的，用户对于推荐系统的态度通常是不信任，到无所谓，再到信任。信任的结果是形成品牌，形成口碑，然后带动产品的其它业务发展。比如，那些卖老年保健品的推销员，他们的工作第一要务就是建立老年人的信任。通过无微不至的关怀建立起信任，然后推销保健品，无往不利，甚至有些老年人觉得这些人才是他们的亲娃。同理，通过好的推荐系统建立产品和用户的信任，也能促进产品达成商业目的。增加信任度有效方法是告诉用户你的推荐理由，这个信息是怎么被推荐出来的，用户认为合情合理，这样一次次地教育之后，信任度自然慢慢提升。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E增品类：\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E不同的用户感兴趣的信息差异极大，而且其中很多都属于“长尾”[备注]信息。在现实世界里，“长尾”的物品的命运基本是在仓库里吃灰。而在互联网的世界里，“货架”几乎是无限的。如果没有精准的推荐而只是反复曝光热门内容，对用户而言往往是不够的。想象一下今日头条每天都只推荐主席讲话，不带其它内容还有有人去打开吗？因此，营销“长尾”信息，把用户感兴趣的信息呈现给用户，也是推荐系统对于信息生产者而言也是至关重要的一环，这也是工业4.0[备注]的新趋势。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E增体验：\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E越用越顺手，越顺手越用。好的推荐加上合理的交互设计，能够构造用户体验的良心循环。最直观的体验就是根本听不下来，刚刚看了一双最流行的芭蕾舞鞋，后面出现同样式更多的款式可以比较。通过不断给予用户正反馈，为用户构建一个专属的体验，让用户沉淀在产品之中。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E增了解：\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E建立用户模型是互联网企业逐步达成的共识，越是完善的用户模型，越能准确刻画用户的需求，从而提高服务质量，深入挖掘商业价值。好的推荐系统是一个会学习的系统，通过收集用户的显示反馈（如评分、点评）和隐式反馈（如点击、关闭等） 增进对用户了解，并且进一步反馈到新的推荐中。而且通过这种用户喜闻乐见的方式获取的用户喜好能够作用在其它方面。如滴滴出行通过分析用户的出行时间，做出动态价格调整来分散出行高峰。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E增质量：\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E凡是人民拥护的，我们要拥护，凡是人民反对的，我们要反对。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E以上，我分别从信息消费者的角度和信息生产者的角度阐述了不同端对于推荐的需求是什么。完美的情况是，信息生产者的商业动机和信息消费者的消费动机是一致的，这样生产者只要追随者共同的目标就能让产品走向卓越。但是事与愿违，生产者的商业动机通常和消费者的动机是有偏差的。比如在淘宝购物的时候，你想的是买到物美价廉的优质商品，而淘宝想的是更多地给你提供能为他们带来最大利益的商品。你可能因此买到价高质低的劣质商品。这就需要产品人对个中平和的精妙把握，这里不再赘述。\u003C\u002Fp\u003E\u003Ch2\u003E聪明的产品懂推荐\u003C\u002Fh2\u003E\u003Cp\u003E站在巨人的肩膀上看的更远，在我们引入推荐系统之前开始自己的推荐实践之前，不妨先看看行业顶尖的推荐系统是怎么针对不同的推荐需求进行推荐实践。推荐系统只有真正契合产品的需求理念才能产生指数级的效果，反之就是画蛇添足，浪费精力。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E商品推荐：你的专属商店-亚马逊\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E亚马逊是一家成功的大规模应用推荐系统并且取得成功的电商网站之一。最早亚马逊的图书推荐是通过雇佣一些领域专家，然后推荐一些热门书籍，这种人工推荐的方式在在线书店最早出现的时候起了巨大的作用。为了降低人力成本而且提高购买的转化率，亚马逊开始在图书推荐里引入推荐算法，取得了令人瞩目的效果，著名的基于物品(Item Based)的协同推荐算法开启了推荐系统研究的新时代。[\u003Ca href=\&http:\u002F\\u002F?target=http%3A\\& class=\& external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003E\u003Cspan class=\&invisible\&\u003Ehttp:\u002F\u002F\u003C\u002Fspan\u003E\u003Cspan class=\&visible\&\\u003C\u002Fspan\u003E\u003Cspan class=\&invisible\&\u003E\u003C\u002Fspan\u003E\u003Ci class=\&icon-external\&\u003E\u003C\u002Fi\u003E\u003C\u002Fa\u003E Recommendations Item-to-Item Collaborative Filtering]这种利用大众智慧的推荐算法可以拓展到各个领域的推荐，时至今日我们几乎能在所有的电商网站和内容推荐网站都看到协同推荐的身影。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cb\u003E电影电视剧推荐：推荐算法的积极开拓者\u003C\u002Fb\u003E\u003Cb\u003E-Netflix\u003C\u002Fb\u003E[\u003Ca href=\&http:\u002F\\u002F?target=https%3A\u002F\\u002F\& class=\& wrap external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003EWatch TV Shows Online, Watch Movies Online\u003Ci class=\&icon-external\&\u003E\u003C\u002Fi\u003E\u003C\u002Fa\u003E]，\u003C\u002Fp\u003E\u003Cp\u003ENetflix是一家美国公司，在美国、加拿大提供互联网视频播放，定制DVD、蓝光光碟在线出租业务。该公司成立于1997年，总部位于加利福尼亚州洛斯盖图。国内腾讯、优酷和爱奇艺可以看出是C2C Netflix 的产品。Netflix对推荐算法最大的贡献莫过于著名的“百万美元挑战”，奖励那个能够最大提升推荐效果的团队一百万美元。\u003C\u002Fp\u003E\u003Cp\u003E援引路透社纽约日消息： 来自186个国家的四万多个团队经过近三年的较量，世界最大的在线影片租赁服务商Netflix今天宣布，一个由工程师，统计学家，研究专家组成的团队夺得了Netflix大奖，该团队成功的将Netflix的影片推荐引擎的推荐效率提高了10%。Netflix大奖的参赛者们不断改进了影片推荐效率，Netflix的客户已经为此获益。\u003C\u002Fp\u003E\u003Cp\u003E第一个Netflix大奖成功的解决了一个巨大的挑战，为提供了50个以上评级的观众准确的预测他们的口味。下一个百万大奖目标是，为那些不经常做影片评级或者根本不做评级的顾客推荐影片，要求使用一些隐藏着观众口味的地理数据和行为数据来进行预测。可以看到Netflix对推荐算法的需求明确，第一是为老用户推荐更他们更感兴趣的内容，第二是抓住新用户的兴趣点。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E视频推荐：信息视频化入口-YouTube\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E如果读者对媒体类应用有足够关注的话会发现，视频类的内容生产的越来越多，消费得也越来越多，换句话说，越来越多的信息被视频化了。网络视频的推荐有巨大的难点就是视频本身可用的元信息很少，不像商品和电影有丰富的描述数据。很多在线视频能够有效理由的数据包括：标题，作者，分类和上传时间，而且标题本身极短，通常不能提供有效的信息。备考谷歌这个大树，YouTube利用用户的地理信息，历史行为，社交网络等信息，构建出一个复杂的组合算法为用户提供了令人满意的推荐效果。如果你用的频繁的话，你会发现YouTube推荐的推荐构成主要有四种：你历史看过的（这个很有意思，很多内容会被看了又看）；基于协同过滤的（同亚马逊的方法0；基于同类内容的；基于你的社交网络的。youtube通过推荐算法构建了一个上传、小幅视频的生态，成为世界上最大的在线视频网站。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cb\u003E音乐推荐：惊喜总在下一曲-网易云音乐\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E网易云音乐能够在版权劣势的情况下占据音乐市场的一席之地，成为很多文艺青年的心头好有一个重要的原因是它令人惊喜的歌单推荐。音乐推荐和视频推荐一样，音乐本身能被使用的数据不多，我们很难说抽取音频文件本身的特征去描述一首歌到底是什么样的，如这首歌是欢快的还是忧郁的，是摇滚的还是民谣的。换句话说，一首歌要被人听过才知道好不好听，那么谁来听这首歌？而且，想象用户的听歌场景，通常是在完成某个任务的一段时间内会欣赏同一类型的音乐，如果每次只推荐一首歌会让用户有很大的负担。网易云音乐巧妙地利用了用户的力量，通过歌单这层组织，把听歌的任务交给组织者，让人先组织推荐一层，第二层再去利用算法。同时歌单合适一层很合适的推荐粒度，足够用户完成一个任务，而且还能订阅。在歌单这个粒度上能用的信息大大增加，帮助算法实现了更好的效果。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E 新闻推荐：你关心的才是头条-今日头条\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E今日头条是在对的时机上出现的对的产品，智能手机和移动互联网的普及给手机网民带来了很多碎片化的阅读时间。头条通过聚合的方式（开始是野蛮地抓取，做大之后开始和新闻源合作）整合了网络上的优质内容，再通过推荐算法分发到用户手中。这种新颖的方式让用户只用一个APP就能看到自己感兴趣的全网最优质的新闻内容。另一方面，文本推荐是一种较为成熟的推荐，因为整篇文章都是可以利用的数据，通过基于内容的推荐形式就能做到很好的效果。进一步地，头条开始“泛娱乐化”，推荐一些老少皆宜“没营养的内容”，慢慢变成了一个“时间杀手”。推荐系统在逐渐形成了头条的核心竞争力，是国内推荐系统的标杆。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E原创超短视频推荐：平凡人的大舞台-快手\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E快手是一个简单到极致的产品，就是这样一款展现普通人生活的应用有着高达4千万的日活，取得这个成就的一个巨大原因是快手的产品理念：关注平凡人的生活。不同于微博高举高打，一路明星大V地轰炸，快手坚定的去中心化的路子：每个人的作品都会被曝光，效果不好迅速打压，如果效果好就迅速大量曝光，但是曝光会被限定在一定范围，培养出很多小V，尽量不造出大V。这样的产品理念灌输到推荐系统中，对快手的崛起起了至关重要的作用。\u003C\u002Fp\u003E\u003Cp\u003E聪明的推荐算法要懂产品的理念，推荐算法翻来覆去可能就那么多，但是优秀的推荐实践是无限的。简单了解了这些现象级产品背后的思考能够对我们自己的推荐实践带来更多启发。下面我们了解一下推荐系统的三元组。\u003C\u002Fp\u003E\u003Ch2\u003E推荐算法里的三角恋\u003C\u002Fh2\u003E\u003Cp\u003E前面在推荐系统的定义中{引用}我们了解到到推荐系统里涉及到的三个主要元素：用户、（合适的）情景和信息。这样的三个元素组合成一个推荐系统最基本的思维模式：\u003C\u002Fp\u003E\u003Cp\u003E什么人在什么场景下需要什么信息\u003C\u002Fp\u003E\u003Cp\u003E通常产品设计者在思考推荐策略的时候总是关注什么人和什么信息两个部分而忽略情景这一重要的组成部分。为了说明情景的重要性，我们来玩一个不同词性的词语组合游戏，这是小学的语文课上，语文启蒙老师教授的，至今记忆犹新，游戏规则是这样的：，首先把学生分成三组，每个学生都获得一张纸片。第一组学生在自己的纸片上写上一个自己喜欢的人物类名词；第二组学生写上任意的地点类名词；第三组学生写上动词。写完自己的词之后盖上，老师分别从每个组随机抽一名同学进行组合。乍一看有点不明所以，看到组合之后的结果会发现这个简单游戏的深刻含义。\u003C\u002Fp\u003E\u003Cp\u003E如上图所示的例子，我们有三组同学分别列出自己词，我们一共能得到2的3次方8种组合：\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E事件\u003C\u002Fp\u003E\u003Cp\u003E场景分析\u003C\u002Fp\u003E\u003Cp\u003E需求挖掘\u003C\u002Fp\u003E\u003Cp\u003E推荐策略\u003C\u002Fp\u003E\u003Cp\u003E美国总统在月球跳舞\u003C\u002Fp\u003E\u003Cp\u003E美国占领月球了？\u003C\u002Fp\u003E\u003Cp\u003E需要向全世界宣传\u003C\u002Fp\u003E\u003Cp\u003E推荐发扬美国国威的舞曲\u003C\u002Fp\u003E\u003Cp\u003E美国总统在月球吃饭\u003C\u002Fp\u003E\u003Cp\u003E月球上开新饭店了？\u003C\u002Fp\u003E\u003Cp\u003E去试试\u003C\u002Fp\u003E\u003Cp\u003E推荐美式汉堡薯条披萨\u003C\u002Fp\u003E\u003Cp\u003E美国总统在厕所吃饭\u003C\u002Fp\u003E\u003Cp\u003E和老婆吵架了？\u003C\u002Fp\u003E\u003Cp\u003E被逼无奈\u003C\u002Fp\u003E\u003Cp\u003E推荐空气清新剂\u003C\u002Fp\u003E\u003Cp\u003E美国总统在厕所跳舞\u003C\u002Fp\u003E\u003Cp\u003E心情不错？\u003C\u002Fp\u003E\u003Cp\u003EHigh起来\u003C\u002Fp\u003E\u003Cp\u003E推荐轻快的舞曲\u003C\u002Fp\u003E\u003Cp\u003E产品经理在月球跳舞\u003C\u002Fp\u003E\u003Cp\u003E买不起房被逼移民？\u003C\u002Fp\u003E\u003Cp\u003E内心是崩溃的\u003C\u002Fp\u003E\u003Cp\u003E推荐悲壮的舞曲\u003C\u002Fp\u003E\u003Cp\u003E产品经理在月球吃饭\u003C\u002Fp\u003E\u003Cp\u003E穷鬼都能上月球？\u003C\u002Fp\u003E\u003Cp\u003E走投无路\u003C\u002Fp\u003E\u003Cp\u003E推荐稀饭和榨菜\u003C\u002Fp\u003E\u003Cp\u003E产品经理在厕所吃饭\u003C\u002Fp\u003E\u003Cp\u003E被开发追杀？\u003C\u002Fp\u003E\u003Cp\u003E好怕怕\u003C\u002Fp\u003E\u003Cp\u003E推荐中南海保镖服务\u003C\u002Fp\u003E\u003Cp\u003E产品经理在厕所跳舞\u003C\u002Fp\u003E\u003Cp\u003E产品上线日新增百万？\u003C\u002Fp\u003E\u003Cp\u003E激动得停不下\u003C\u002Fp\u003E\u003Cp\u003E推荐最劲爆的摇滚乐\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E从上面的例子我们可以看到即使是相同的用户有相同的任务，所处的情景不一样，他们的需求也是千差万别，相应地，我们的推荐策略也应该随着{人物,情景,信息(这里的信息包含内容，物品等，后面统称为信息)}这个三元组的变化而变化。这是一个很好的开脑洞游戏，建议在没有灵感的时候通过这样的方式发散一下思路，哪怕再天马行空也尝试丰富一下。这个游戏对情景的描述只限于空间，我们还可以通过加入时间和任务的元素来丰富这个游戏。当然，有些组合出现的可能性不高，比如上诉例子中，月球上放生的事在近30年发生的可能性都不大。作为产品经理就需要细细甄别，从优先级高的事情做起，这里不做过多深入探讨。下面我们详细了解一下人物,情景和信息之间的关系。\u003C\u002Fp\u003E\u003Cp\u003E首先我们明确一下人物,情景和信息这三个元素分别是什么：\u003C\u002Fp\u003E\u003Cp\u003E人物：推荐的受众，人物的模型通常通过人物三个角度刻画：（1）个人信息，主要包含年龄、性别、职业、收入、学历、家乡等，是一些相对固定的信息。例如一个20岁出头的女性艺术家跟一个50多岁的男性农民工的在同一个任务上的需求可能也是完全不同的；（2）喜好，主要通过人物在系统(本系统或者其他系统)中的历史行为描绘出的任务好恶；（3）社交信息，通过人物的社交网络信息描绘出该人物的设计信息，包括关注、粉丝、好友等。简而言之对人物的描绘就是：什么人有什么朋友\u002F亲人喜欢做什么。\u003C\u002Fp\u003E\u003Cp\u003E情景：推荐受众当时所处的环境，情景模型通常通过三个维度刻画：（1）时间，这个很容易理解，白天、还是晚上，上班时间、通勤时间还是休息时间，工作日还是节假日。例如在工作日的上班路上，用户可能需要放松心情的信息；（2）空间，简单说就是用户在什么地方，根据需要调整地点的粒度，不一定是越准确越好，有时候定位到城市也就够了，现在很多APP动不动就要GPS信息就是个毛病，有城市IP就可以满足大部分需求了；（3）上下文，就是用户在完成任务过程中所处的上下文。如用户是在搜索，是在小幅内容或者是在购物。简而言之对情景的描绘就是：什么时间什么地点正在干什么。\u003C\u002Fp\u003E\u003Cp\u003E信息：系统可以推荐出来的数据集。同样我们也从三个维度去刻画信息：（1）时效性，这条信息是什么时候产生的，现在是否还有价值。例如经典名著可能永不过时，而新闻最新最新；（2）信息详情：根据推荐信息的属性，详情可以是文章的内容、标题、生产者。优质的生产者在消费者中建立起了新人关系。（3）评价：通常而言，推荐系统都会对信息有一套评价体系，如电商和影评产品中常用的打分机制，内容推荐常用的评论和点踩机制等都是对信息很好的评价方式。简而言之对信息的描绘就是：什么时间产生了什么东西，这个东西怎么样。\u003C\u002Fp\u003E\u003Cp\u003E今日头条内容卡片样式\u003C\u002Fp\u003E\u003Cp\u003E这里观察一下今日头条PC网站的新闻卡片实例，对信息三个维度都做出了描述：时效性方面展示了发布时间，用的是相对时间（即产生时间和当前时间的时间差，方便用户理解，不像绝对时间那样还需要在脑海里换算一下，距离现在多长时间） ；信息详情方面展示了缩略图、标题、内容分类和发布者，方便用户一眼能看出这是什么新闻；评价方面则是展示了评论。这个还加入负反馈的操作，帮助系统提升个性化推荐的效果。\u003C\u002Fp\u003E\u003Cp\u003E我们知道，用户的任何行为都是带着某项需求，某种动机的。下图阐述了人物,情景和信息三元组的关系是环环相扣，缺一不可的。\u003C\u002Fp\u003E\u003Cp\u003E推荐三元组关系图\u003C\u002Fp\u003E\u003Cp\u003E实例介绍：\u003C\u002Fp\u003E\u003Cp\u003E从网上的资料里中我们能够了解到，在今日头条的算法组成里，人物，情景和内容(信息的一种)是三个主要的构成元素：\u003C\u002Fp\u003E\u003Cp\u003E“今日头条作为一个个性化的推荐引擎，其推荐系统中使用了各式各样机器学习算法，还有很多深度学习的算法。我们对每一个用户建立了非常高维的向量表达[]，对每一个内容（文章、视频、问答）设置一个非常高维的深度学习所学出的向量表达，对每一个时空环节、用户所在的地理位置及时间也都学出了一个向量表达。我们需要在这中间做一个匹配、算出一个模型，使每一个用户都有一个针对它的个性化的表达，而且能够根据用户新的使用行为，在几毫秒内更新一遍。在这样的情况下，今日头条这样的产品上，我们可以看到越来越多各式各样的内容。”[引用]\u003C\u002Fp\u003E\u003Cp\u003E所谓向量表达通俗地理解就是建模，把某个对象已知的信息描绘成算能够理解的形式。\u003C\u002Fp\u003E\u003Cp\u003E本节简要首先介绍了传统意义上的推荐系统的由来和目标，随后介绍几个推荐系统针对不同不同行业的标杆产品，最后简单说明了推荐三元组人物、情景和信息的关系。在了解完这些基本概念之后，下一节我们开始了解推荐系统的基本构成和基本流程。\u003C\u002Fp\u003E\u003Cp\u003E原创内容，转载请注明。\u003C\u002Fp\u003E&,&updated&:new Date(&T10:03:05.000Z&),&canComment&:false,&commentPermission&:&anyone&,&commentCount&:0,&collapsedCount&:0,&likeCount&:3,&state&:&published&,&isLiked&:false,&slug&:&&,&isTitleImageFullScreen&:false,&rating&:&none&,&titleImage&:&https:\u002F\\u002Fv2-1c3ef860d64bffd5a3d2_r.jpg&,&links&:{&comments&:&\u002Fapi\u002Fposts\u002F2Fcomments&},&reviewers&:[],&topics&:[{&url&:&https:\u002F\\u002Ftopic\u002F&,&id&:&&,&name&:&产品经理&},{&url&:&https:\u002F\\u002Ftopic\u002F&,&id&:&&,&name&:&推荐系统&}],&adminClosedComment&:false,&titleImageSize&:{&width&:680,&height&:406},&href&:&\u002Fapi\u002Fposts\u002F&,&excerptTitle&:&&,&tipjarState&:&closed&,&annotationAction&:[],&sourceUrl&:&&,&pageCommentsCount&:0,&hasPublishingDraft&:false,&snapshotUrl&:&&,&publishedTime&:&T18:03:05+08:00&,&url&:&\u002Fp\u002F&,&lastestLikers&:[{&bio&:&苦逼科研狗&,&isFollowing&:false,&hash&:&c6b8f1f884adbba080f2749&,&uid&:341100,&isOrg&:false,&slug&:&hellopeople&,&isFollowed&:false,&description&:&&,&name&:&hellopeople&,&profileUrl&:&https:\u002F\\u002Fpeople\u002Fhellopeople&,&avatar&:{&id&:&9a9eda99ff6bdbef3e59db04edca344f&,&template&:&https:\u002F\\u002F50\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false},{&bio&:&不用纠结身在何方，而是想清去向何方&,&isFollowing&:false,&hash&:&7c1aa609c1dcf79b6bd98&,&uid&:738600,&isOrg&:false,&slug&:&keguo8&,&isFollowed&:false,&description&:&&,&name&:&克果&,&profileUrl&:&https:\u002F\\u002Fpeople\u002Fkeguo8&,&avatar&:{&id&:&v2-a65cc351e853eb&,&template&:&https:\u002F\\u002F50\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false},{&bio&:&一枚刚毕业励志当产品汪的牛牛&,&isFollowing&:false,&hash&:&f26dab8b205e4b33def5e&,&uid&:829250,&isOrg&:false,&slug&:&niu-zi-fei-13&,&isFollowed&:false,&description&:&一只正在努力成为传说级产品经理的菜鸟级产品。&,&name&:&PM牛牛&,&profileUrl&:&https:\u002F\\u002Fpeople\u002Fniu-zi-fei-13&,&avatar&:{&id&:&v2-8da4f7d818ae8&,&template&:&https:\u002F\\u002F50\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false}],&summary&:&引随着以今日头条为代表的内容聚合平台崛起[备注]，在互联网的世界里，原本只有电商关注的推荐系统被业界人士越来越多的提起，甚至成为产品的标配。那么作为一名产品经理，就不可避免地要接触到推荐系统。很多非技术出身的产品对推荐畏之如虎。本章的目的就…&,&reviewingCommentsCount&:0,&meta&:{&previous&:null,&next&:null},&annotationDetail&:null,&commentsCount&:0,&likesCount&:3,&FULLINFO&:true}},&User&:{&iamhamu&:{&isFollowed&:false,&name&:&张俊杰&,&headline&:&为满足和潜行&,&avatarUrl&:&https:\u002F\\u002F50\u002Fv2-eb44ddd96c7fd1ebf7f7_s.jpg&,&isFollowing&:false,&type&:&people&,&slug&:&iamhamu&,&bio&:&互联网算法产品经理\u002F打油诗爱好者&,&hash&:&c74c8ede31b7fa&,&uid&:60,&isOrg&:false,&description&:&为满足和潜行&,&badge&:{&identity&:null,&bestAnswerer&:null},&profileUrl&:&https:\u002F\\u002Fpeople\u002Fiamhamu&,&avatar&:{&id&:&v2-eb44ddd96c7fd1ebf7f7&,&template&:&https:\u002F\\u002F50\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false}},&Comment&:{},&favlists&:{}},&me&:{},&global&:{&experimentFeatures&:{&ge3&:&ge3_9&,&ge2&:&ge2_1&,&nwebStickySidebar&:&sticky&,&androidPassThroughPush&:&getui&,&newMore&:&new&,&liveReviewBuyBar&:&live_review_buy_bar_2&,&liveStore&:&ls_a2_b2_c1_f2&,&searchHybridTabs&:&pin-3&,&isOffice&:&false&,&homeUi2&:&default&,&answerRelatedReadings&:&qa_recommend_with_ads_and_article&,&remixOneKeyPlayButton&:&headerButton&,&asdfadsf&:&asdfad&,&qrcodeLogin&:&qrcode&,&newBuyBar&:&livenewbuy3&,&isShowUnicomFreeEntry&:&unicom_free_entry_on&,&newMobileColumnAppheader&:&new_header&,&zcmLighting&:&zcm&,&favAct&:&default&,&appStoreRateDialog&:&close&,&mobileQaPageProxyHeifetz&:&m_qa_page_nweb&,&iOSNewestVersion&:&4.2.0&,&default&:&None&,&wechatShareModal&:&wechat_share_modal_show&,&qaStickySidebar&:&sticky_sidebar&,&androidProfilePanel&:&panel_b&,&nwebWriteAnswer&:&experiment&}},&columns&:{&next&:{}},&columnPosts&:{},&columnSettings&:{&colomnAuthor&:[],&uploadAvatarDetails&:&&,&contributeRequests&:[],&contributeRequestsTotalCount&:0,&inviteAuthor&:&&},&postComments&:{},&postReviewComments&:{&comments&:[],&newComments&:[],&hasMore&:true},&favlistsByUser&:{},&favlistRelations&:{},&promotions&:{},&draft&:{&titleImage&:&&,&titleImageSize&:{},&isTitleImageFullScreen&:false,&canTitleImageFullScreen&:false,&title&:&&,&titleImageUploading&:false,&error&:&&,&content&:&&,&draftLoading&:false,&globalLoading&:false,&pendingVideo&:{&resource&:null,&error&:null}},&drafts&:{&draftsList&:[],&next&:{}},&config&:{&userNotBindPhoneTipString&:{}},&recommendPosts&:{&articleRecommendations&:[],&columnRecommendations&:[]},&env&:{&edition&:{},&isAppView&:false,&appViewConfig&:{&content_padding_top&:128,&content_padding_bottom&:56,&content_padding_left&:16,&content_padding_right&:16,&title_font_size&:22,&body_font_size&:16,&is_dark_theme&:false,&can_auto_load_image&:true,&app_info&:&OS=iOS&},&isApp&:false},&message&:{&newCount&:0},&pushNotification&:{&newCount&:0}}