編輯導(dǎo)語：在上一篇中，我們講到了運(yùn)營必須了解的內(nèi)容分發(fā)策略——打壓與推優(yōu)；本文詳細(xì)介紹了推薦算法解析，比如我們平常在刷抖音時，你會發(fā)現(xiàn)他給你的推送都是你感興趣的；本文對此做出詳細(xì)分析，我們一起來看一下。

推薦算法可謂目前社區(qū)產(chǎn)品內(nèi)容分發(fā)的標(biāo)配，尤其是有抖音珠玉在前，精準(zhǔn)的推薦效果和巨大的商業(yè)成功甚至讓許多模仿者對個性化推薦近乎迷信。

作為運(yùn)營，我們雖然不需要參與算法的設(shè)計與coding，但若能對其背后的工作邏輯有一個基本的理解，更有助于我們完成策略干預(yù)與算法優(yōu)化等工作，在與產(chǎn)品、研發(fā)同學(xué)溝通時也不至于因知識盲區(qū)而鬧出笑話。

一、推薦算法的工作流程

推薦算法在工作時有四個步驟：獲取數(shù)據(jù)、召回、排序、結(jié)果展示。

1. 獲取數(shù)據(jù)

數(shù)據(jù)是推薦的依據(jù)，是算法決定將什么樣的內(nèi)容推給誰的根本，主要包括用戶數(shù)據(jù)與內(nèi)容數(shù)據(jù)。用戶數(shù)據(jù)有基本畫像（如年齡、性別、地理位置等）和行為數(shù)據(jù)（如播放、點(diǎn)贊、評論、分享等）；內(nèi)容數(shù)據(jù)有基礎(chǔ)數(shù)據(jù)（如標(biāo)簽tag、發(fā)布者權(quán)重等）和熱度數(shù)據(jù)（播放、點(diǎn)轉(zhuǎn)評等）。

2. 召回

數(shù)據(jù)庫存有海量的內(nèi)容，考慮到計算負(fù)荷與實(shí)時性的要求，算法不可能在用戶每刷新一次時，都對數(shù)據(jù)庫中所有的內(nèi)容計算分值排序一次；所以通常會通過特定的規(guī)則召回指定數(shù)量的內(nèi)容，視社區(qū)內(nèi)容體量而定，這個數(shù)量通常為幾百到幾千。

3. 排序

算法從數(shù)據(jù)庫中召回的內(nèi)容良莠不齊，而產(chǎn)品的目的則是將好的內(nèi)容優(yōu)先展示給給用戶，故而需要對召回的內(nèi)容做統(tǒng)一的打分排序。

4. 結(jié)果展示

將排序的結(jié)果映射到前端的槽位展示，即是用戶所看見的內(nèi)容信息。

二、推薦算法的類別

目前主流的推薦算法，主要有流行度推薦（熱度推薦）、基于內(nèi)容推薦、協(xié)同過濾這三種邏輯；輔以人群推薦、標(biāo)簽推薦、運(yùn)營干預(yù)等更簡單的靈活策略。

算法的本質(zhì)是“猜你最想看什么”，其中熱度推薦負(fù)責(zé)找出當(dāng)下最熱門的內(nèi)容；協(xié)同過濾與基于內(nèi)容推薦負(fù)責(zé)找出你可能感興趣的類型。

社區(qū)在應(yīng)用算法時通常會將上述幾種邏輯分別加權(quán)然后混合計算，在技術(shù)受限或不需要個性化的社區(qū)場景也有單獨(dú)使用熱度推薦的情況，如B站的【熱門】tab，皮皮蝦的排行榜等。

后文將對幾種推薦邏輯分別進(jìn)行解析。

三、熱度推薦

熱度推薦即是根據(jù)內(nèi)容的產(chǎn)生時間、播放、點(diǎn)贊、評論、分享等交互數(shù)據(jù)計算出時下最流行的內(nèi)容，其數(shù)學(xué)原理相對簡單，舉個例子：

如圖即為某個社區(qū)產(chǎn)品帖子的熱度計算公式，不必對公式恐懼，其原理很簡單，其中：

1）views：瀏覽量，對瀏覽量做了一次取對數(shù)，主要是為了防止某些瀏覽量較大的內(nèi)容異軍突起，待在榜單遲遲不動。

2）recommendScore：點(diǎn)贊數(shù)，作為文章熱門程度的考慮因素。

3）articleComments：評論數(shù)，為了降低刷評論的影響，對其作了一次取對數(shù)操作。

4）(age/2 + update/2 + 1) ^ i：分母是對時間因子的考慮，宏觀上來看，就是文章熱度和創(chuàng)建時間成反比；細(xì)節(jié)上體現(xiàn)為指數(shù)函數(shù)，可以通過對 i 變量的調(diào)控來改變時間因子在對熱度的影響。

6）age：內(nèi)容發(fā)布時間

7）update：內(nèi)容最后更新時間

8）i：重力因子，取值的大小會直接決定熱門排序

對于同一內(nèi)容，上面的計算公式均可化簡為：

可以看出，熱度和創(chuàng)建時間成反比，那么這個反比的值最終就由重力因子i 來影響。

如果想要突出新熱內(nèi)容、過濾時間過久的熱門內(nèi)容，需要增大重力因子，若是如同周熱門和月熱門則需要按時間要求依次逐漸降小i 值。

對于不同的變量i取值，熱度隨時間的衰減趨勢如圖所示：

舉個實(shí)例，在我所運(yùn)營社區(qū)的話題頁面推薦流中，通常按照i=1來計算熱度，以此保證內(nèi)容每天的新鮮度；但當(dāng)我在做一個每周熱門榜單的項目時，則將i調(diào)整為0.5，降低時間衰減的影響，以此保證內(nèi)容質(zhì)量。

四、基于內(nèi)容推薦

基于內(nèi)容推薦，即通過算法識別內(nèi)容的元數(shù)據(jù)，在用戶瀏覽或點(diǎn)贊過內(nèi)容A時，為你推薦相似的內(nèi)容B。

其原理是識別內(nèi)容標(biāo)題、簡介、字幕、標(biāo)簽等信息，提取出特征關(guān)鍵詞，根據(jù)關(guān)鍵詞計算內(nèi)容相似度，以此作為推薦根據(jù)；比如基于詞向量的推薦算法。

基于內(nèi)容推薦最常見的應(yīng)用場景莫過于電商，在淘寶中我們經(jīng)常會遇到這種情況：當(dāng)你點(diǎn)擊、搜索過某種商品后，算法會將大量的同類商品塞到你的推薦流甚至其它平臺的廣告上，在早期推薦策略比較蠢的時候甚至經(jīng)常推薦已經(jīng)買過的商品。

五、協(xié)同過濾

不同與基于內(nèi)容推薦的通過識別內(nèi)容元數(shù)據(jù)與語義分析來計算內(nèi)容相似度的方法，協(xié)同過濾更偏向于發(fā)動“群眾的智慧”，通過用戶群體對不同內(nèi)容的打分來計算內(nèi)容的相關(guān)性，或猜測用戶可能喜歡什么；前者為基于內(nèi)容的協(xié)同過濾，后者為基于用戶的協(xié)同過濾。

1. 基于內(nèi)容的協(xié)同過濾

根據(jù)所有用戶對內(nèi)容的打分，發(fā)現(xiàn)內(nèi)容與內(nèi)容的相似度，然后再根據(jù)用戶的歷史偏好信息將類似的內(nèi)容推薦給該用戶。

所謂的打分包括播放、點(diǎn)贊、點(diǎn)踩等等交互行為，可以是喜歡也可以是不喜歡。

舉例說明：

如表所示，甲乙丙為歷史偏好信息相近的用戶，ABC為不同內(nèi)容。

其中甲喜歡內(nèi)容A、內(nèi)容B、內(nèi)容C，乙喜歡內(nèi)容A與內(nèi)容C，目標(biāo)用戶丙喜歡內(nèi)容A；由歷史偏好可認(rèn)為內(nèi)容A與內(nèi)容C相似，喜歡A的用戶讀會喜歡C，以此為依據(jù)將內(nèi)容C推薦給用戶丙。

2. 基于用戶的協(xié)同過濾

根據(jù)目標(biāo)用戶的歷史消費(fèi)行為，找到與目標(biāo)用戶消費(fèi)行為相似的近似用戶，再以近似用戶的喜好為依據(jù)向目標(biāo)用戶推薦內(nèi)容；簡而言之就是“和你相似的人也喜歡這個”。

舉例說明：

如表所示，甲喜歡內(nèi)容ACD，乙喜歡內(nèi)容B，目標(biāo)用戶丙喜歡AC；由此可認(rèn)為用戶甲與用戶丙的消費(fèi)喜好是相似的，以此為依據(jù)將內(nèi)容D推薦給用戶丙。

六、運(yùn)營如何理解推薦算法

個性化推薦算法是非常復(fù)雜的，本文也僅停留在概念理解的層面，但其實(shí)可以發(fā)現(xiàn)，推薦算法許多工作邏輯同我們運(yùn)營在做內(nèi)容分發(fā)時的思路是一致的；比如熱度推薦對應(yīng)推優(yōu)，基于內(nèi)容推薦對應(yīng)專題內(nèi)容聚合、協(xié)同過濾對應(yīng)精準(zhǔn)營銷等等。

算法確實(shí)取代了一部分運(yùn)營的工作，甚至做的比人好得多，但也有其局限性；比如熱度推薦并不能真正理解內(nèi)容、把控內(nèi)容導(dǎo)向；協(xié)同過濾會使得用戶的推薦流越來越垂直，甚至有被算法控制的感覺。

在真正的人工智能時代到來以前，運(yùn)營策略干預(yù)仍然會在內(nèi)容分發(fā)中扮演重要角色，與推薦算法互補(bǔ)共存。

本文由 @酸梅湯 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自 unsplash，基于 CC0 協(xié)議