搜索推薦到底該怎么做呢？是要照著老板說的做，還是根據(jù)用戶反饋?zhàn)?？本文作者總結(jié)了搜推策略產(chǎn)品的十做十不做，并對(duì)其中的三點(diǎn)進(jìn)行了分析，一起來看一下吧。

搜索推薦到底怎么做？按老板說的做，照競(jìng)品抄，根據(jù)用戶反饋?zhàn)?、通過數(shù)據(jù)分析做？8年京東、美團(tuán)搜推經(jīng)驗(yàn)，建議大家那些該做，那些不該做的，搜推策略產(chǎn)品十做十不做，但要根據(jù)具體情況定。

01 硬加權(quán)不做，但柔性智能化流量調(diào)控要做

什么叫硬加權(quán)，就是給某個(gè)商品的排序直接從后面提到前面，這個(gè)叫硬加權(quán)。比如有運(yùn)營(yíng)來找你，說我這個(gè)東西這么好，怎么排序靠后呢，你得給我加權(quán)呀、或者是某個(gè)業(yè)務(wù)找到你，說我這個(gè)業(yè)務(wù)是今年公司重點(diǎn)，但流量不足呀，你得加權(quán)呀……

為什么不能硬加權(quán)，硬加權(quán)損效率呀！為什么損效率呀，用點(diǎn)黑話，是因?yàn)橛脩舨籅uy in呀，就是用戶不點(diǎn)呀！

那為什么柔性智能化流量調(diào)控可以做呢？這有幾個(gè)關(guān)鍵點(diǎn)，一個(gè)是前置的篩選分層，如果是電商就是精細(xì)化選品，看哪些品是預(yù)期可以多獲得一些流量，也能承接得住的。

比如阿里今年雙11出了一個(gè)價(jià)格力加權(quán)，就是你這個(gè)商品優(yōu)惠力度大，我可以多給你流量；再比如阿里的優(yōu)質(zhì)商家商品流量加權(quán)，也是說這個(gè)商品有一定的潛力，我多給他一些流量，應(yīng)該也能承接的?。贿€有就是中間的賽馬機(jī)制，效率好的晉升，效率差的汰換，同時(shí)要有運(yùn)營(yíng)診斷指導(dǎo)，為什么效率差，商品價(jià)格高、沒什么評(píng)論積累、主圖標(biāo)題不清晰等。

當(dāng)然還有很多，不一一展開說了。還有一個(gè)重要的點(diǎn)是，對(duì)于協(xié)同部門要疏不是堵，就是你給他提供抓手，可以讓他有玩的東西，然后一點(diǎn)一點(diǎn)有軼序地玩。

02 亂七八糟標(biāo)簽不用做，但用戶商品基礎(chǔ)標(biāo)簽、營(yíng)銷標(biāo)簽、人群節(jié)日標(biāo)簽要做

什么叫亂七八糟的標(biāo)簽？就是一提起推薦，大家就說你是基于那些標(biāo)簽推薦的， 我們能不能在商品或內(nèi)容上打些標(biāo)簽，然后你們用呀？我們之前打的標(biāo)簽?zāi)銈冇昧藛?，效果怎么樣？你看我們還需要打什么標(biāo)簽……這里說明下，標(biāo)簽對(duì)于推薦來講是重要的，但不是最重要的，尤其是在大數(shù)據(jù)量的情況下。所以，不要提到推薦，大家就認(rèn)為標(biāo)簽做好了，推薦就做好了，推薦沒做好，就是標(biāo)簽沒做好。

1. 推薦原理

回答什么是亂七八糟標(biāo)簽前，我先基于我的理解給大家科普下推薦原理。其實(shí)這也不能怪大家，早期推薦技術(shù)也沒那么先進(jìn)，然后數(shù)據(jù)量可能也不多，所以，大家就冷啟的時(shí)候讓你選興趣點(diǎn)標(biāo)簽，推薦的時(shí)候根據(jù)文本標(biāo)簽推薦，模型上也是LR、GBDT一類的。

這就讓沒搞過搜推的人覺得，啊，推薦就是標(biāo)簽推薦，但他不知道，現(xiàn)在都是DNN了，都是基于用戶行為推薦，基于I2I推薦，基于KNN，基于Embedding、Vector推薦，只有個(gè)別情況下，數(shù)據(jù)挖掘不到的，才會(huì)通過早期的文本標(biāo)簽做召回推薦。

舉些例子吧，要不然，這么說，懂的人懂，不懂的人還是覺得推薦就是標(biāo)簽推薦，推薦沒做好，就是沒標(biāo)簽，或者標(biāo)簽不準(zhǔn)，或者標(biāo)簽用得不好……那以電商為例，基本可以通過共購買，共點(diǎn)擊等數(shù)據(jù)挖掘到相似或相關(guān)的商品。

比如你點(diǎn)擊了小米的手機(jī)，那可能會(huì)推薦給你華為的手機(jī)，因?yàn)楹芏嗳它c(diǎn)了小米后，也會(huì)點(diǎn)華為，甚至最后還購買了華為，這么說還是籠統(tǒng)，更細(xì)節(jié)是你點(diǎn)的是小米支持5G的，8G+512G內(nèi)存+存儲(chǔ)的、5英寸的、雙攝的……那算法就通過大數(shù)據(jù)幫你找到的是華為P40\P50，而不會(huì)找到Nokia。

那你這例子不還是說推薦就是基于標(biāo)簽推薦的嗎？這里其實(shí)又涉及到了算法可解釋的問題，通常業(yè)務(wù)會(huì)問，你這排序的邏輯是什么，為什么這么排，為什么這個(gè)排前面，那個(gè)排在后面？你看給我推了這個(gè)，你看我是這樣的用戶，我年薪百萬，怎么不給我推那個(gè)？你這個(gè)推的多Low呀，一點(diǎn)都不高端……那算法同學(xué)呢，一般的回答就是，呃，這是算法推薦的，是DNN深度學(xué)習(xí)的，是黑盒的，是不可解釋的，我們也不知道為什么這么推；產(chǎn)品經(jīng)理呢一般會(huì)說：啊，你點(diǎn)過這些吧，這是根據(jù)你的行為和畫像推薦的。

2. 模型可解釋

我先撈干的，理論上DNN深度神經(jīng)網(wǎng)絡(luò)是不可解釋的，不像GBDT的樹模型那樣是可解釋的，這說的是從模型的角度，什么Feature Important角度是不可解釋的。但實(shí)際上任何模型也都是可解釋的，因?yàn)槿说倪x擇是可解釋的，人的購物決策和瀏覽內(nèi)容的偏好是可解釋的，只不過是你要根據(jù)不同人、不同時(shí)間、不同地點(diǎn)、不同場(chǎng)景、不同……太多了，這樣就不好解釋了，而且你還是要解釋給不了解算法的人。

那這就變成，本來是可解釋的也解釋不清楚了，或者解釋清楚了也聽不清楚……大部分情況下，排序就兩種結(jié)果：有用戶行為的非新用戶就是點(diǎn)什么推什么，無行為的新用戶就是熱門推薦。

就像行業(yè)里的頭條、抖音、快手什么的，早期甚至現(xiàn)在都是你第一次打開就是美女、時(shí)效熱點(diǎn)事件、當(dāng)?shù)靥厣珒?nèi)容等；然后你就一直看，算法就認(rèn)為你喜歡，就一直找相似的推；然后你美味佳肴吃夠了，偶爾也想來點(diǎn)粗糧，這時(shí)你就劃掉那些美女了，或者自己搜索點(diǎn)什么，那算法就認(rèn)為你喜歡上其他內(nèi)容了，那就幫你找新的相似的內(nèi)容。

但這些說的都是表面哈，我來講點(diǎn)深度的。其實(shí)算法里有個(gè)概念叫特征，特征是什么呢？就是能表達(dá)這個(gè)商品或者內(nèi)容好壞的東西，其實(shí)就像“白、富、美”就是表達(dá)一個(gè)女人的特征。那算法里一般用什么特征呢，比如內(nèi)容類關(guān)鍵的就是點(diǎn)擊量、點(diǎn)贊量、評(píng)論數(shù)、點(diǎn)擊率、完播率、停留時(shí)長(zhǎng)、好評(píng)率……然后這些特征呢，還有周期，比如7天點(diǎn)擊量、3天點(diǎn)擊量、1小時(shí)點(diǎn)擊量等。好這樣估計(jì)有些人能理解推薦一些了。

03 為了多樣性而做的多樣性不做，但基于人群、用戶行為、時(shí)令節(jié)日、空間等變化的多樣性要做

1. 什么是多樣性

一般推薦結(jié)果的多樣性就是，連續(xù)Top N個(gè)結(jié)果是不同的，不同的維度一般是類目維度。這個(gè)是通俗的定義，如果要科學(xué)定義的話，其實(shí)是通過基尼系數(shù)、熵等來衡量的。

這里再多說一些多樣性，僅是類目維度的多樣性還不夠，有些場(chǎng)景下需要下分到二、三、四級(jí)類、甚至是詞維度，同時(shí)還可以根據(jù)圖片、價(jià)格、商家、品牌、屬性、作者等等很多維度不同的多樣性。那大家如何理解多樣性的呢？這里就會(huì)根據(jù)不同的屁股、不同的認(rèn)知來理解了，抽象地講沒有感覺，我舉些例子，做為推薦產(chǎn)品經(jīng)理遇到比較多的情況應(yīng)該是：

1）老板覺得多樣性不夠

這里多吐槽一下，在互聯(lián)網(wǎng)公司推崇扁平化、去官僚化的情況下，做為一個(gè)底層人員，仍然要面對(duì)很多層級(jí)的老板，而且這些老板們的想法還都不一樣，想法不一樣也就算了，關(guān)鍵是他們還不聽一線人員的方案。一般打仗是在前線的人員，最清楚狀況，最知道怎么打，且將在外，軍令可有所不從，但你在互聯(lián)網(wǎng)公司，你要敢不從，那你就等著走人吧。

那老板們都如何理解多樣性呢，比如甲老板會(huì)說，這怎么每天都給我推差不多的內(nèi)容，我們平臺(tái)上不是有很多內(nèi)容嗎，我們那個(gè)主推的怎么沒看見；乙老板會(huì)說，一樣的內(nèi)容推得太多了；丙老板會(huì)說我在其他平臺(tái)上看到的內(nèi)容，咱們這怎么沒推呢……

2）業(yè)務(wù)覺得多樣性不夠

業(yè)務(wù)經(jīng)常是說，怎么沒有我們品類的內(nèi)容呢，怎么都是那個(gè)品類的內(nèi)容呢？

3）用戶覺得多樣性不夠

很多用戶是不愿意反饋的，一般也就反饋點(diǎn)什么推什么、看過買過還推。

2. 如何做多樣性

前面雖然提到了什么叫多樣性，但不夠具體，所以，在如何做前，還是要定義清楚什么是多樣性，做到什么樣，大家能滿意。這里先說那些不是多樣性不夠：

1）不區(qū)分場(chǎng)景的多樣性不是多樣性問題

老板們不分任何時(shí)候，都想要多樣性，這里有一個(gè)經(jīng)典的場(chǎng)景，比如某個(gè)用戶此刻想買個(gè)冰箱，或者是想了解某個(gè)事件，這時(shí)你非要為了多樣性，再給他推薦個(gè)洗衣機(jī)、電視，雖然都是家裝三件套，但這個(gè)用戶可能不是新裝修呀，有可能就是想換個(gè)冰箱，或者是給家里人買、或者是放到租房的地方，反正他不缺電視。

那你說想買上衣的時(shí)候，推薦褲子可以吧，這個(gè)場(chǎng)景看似成立，但不是適合所有用戶；那這種跨品類的，組合式的推薦什么時(shí)候成立呢，這個(gè)要根據(jù)每個(gè)用戶的意圖強(qiáng)弱，行為豐富度等來動(dòng)態(tài)判斷。比如用戶就是逛，就是什么都點(diǎn)，那基本上，你的推薦就可以發(fā)散一些，否則，有明確意圖的，你就要幫他收斂，快速幫他找到他想要的，可能是他有一個(gè)價(jià)格心理，或者是一個(gè)屬性風(fēng)格的心理。

2）行為與意圖茅盾的不是多樣性問題

什么意思呢？就是經(jīng)常有些內(nèi)部的人，他不是想看真的內(nèi)容或者購買那個(gè)東西，而是沒有目的地亂點(diǎn)、亂看，點(diǎn)著點(diǎn)著，自己也忘了都點(diǎn)過什么，然后算法基本會(huì)基于你最近的點(diǎn)擊等行為進(jìn)行推薦。且由于算法貪心的Point wise模式，推薦的內(nèi)容確實(shí)會(huì)是相似的多，這樣就會(huì)造成錯(cuò)覺，怎么給我推的內(nèi)容都差不多？

這里的差不多，就是上面說的，算法會(huì)基于行為推薦類目相似、價(jià)格相似等的內(nèi)容，但老板要看到的是不同價(jià)格段的都來點(diǎn)，或者其他想法，反正是有自己的想法。有時(shí)能代表用戶，但更多時(shí)候是參雜著自己的意愿，以及平臺(tái)的導(dǎo)向。

比如也會(huì)說咱們平臺(tái)不是還有很多內(nèi)容嗎，這里其實(shí)你可以建議你的老板去內(nèi)容庫或者商品庫里看全部?jī)?nèi)容，推薦算法不可能把全部分類都推出來，那和過去的貨架式、陳列式?jīng)]什么區(qū)別了。

我們繼續(xù)說多樣性如何做。做之前呢，要知道目標(biāo)，做到什么標(biāo)準(zhǔn)算好，那這里基本上是需要定量和定性去衡量的，比如定量上要提升瀏覽深度、CTR、停留時(shí)長(zhǎng)、不同品類的曝光占比等，不同業(yè)務(wù)可能不太一樣，定性上是否明顯的Badcase在減少等。

有了衡量標(biāo)準(zhǔn)后，就是具體策略了，這個(gè)策略也要從多層進(jìn)行制定，基本上推薦要想優(yōu)化一個(gè)問題，都是要全方面的調(diào)整，不可能有一個(gè)大招，就解決所有問題，那一般都是從數(shù)據(jù)、召回、排序、交互上去優(yōu)化：

1）數(shù)據(jù)

數(shù)據(jù)這不多說了，核心是三點(diǎn)，數(shù)據(jù)要全面、準(zhǔn)確、實(shí)時(shí)；你要搞清楚人的畫像和商品內(nèi)容的畫像，要不然無法進(jìn)行準(zhǔn)確的召回和匹配。

2）召回

這里要多說一點(diǎn)，召回源是推薦最重要的部分，如果你只有一路相似召回，那你就沒法做多樣性。至少要按人群、時(shí)間、空間、場(chǎng)景等維度進(jìn)行差異化的召回，比如新人召回?zé)徜N、或者基于CF的召回；非新更多是基于用戶行為的相似相關(guān)召回。

還有些人會(huì)深度將人群分得更細(xì)，比如阿里的八大人群。從時(shí)間上會(huì)基于平日、季節(jié)、節(jié)日、大促、熱點(diǎn)、上新等進(jìn)行召回；從空間上會(huì)基于LBS召回；場(chǎng)景上則會(huì)比較多，比如是用戶動(dòng)線購前、中、后等，用戶需求的具體場(chǎng)景，比如辦年貨、吃火鍋等。除了這些召回外，還有一些更偏算法的，比如KNN，KG，Base Model CF。

3）排序

這里和多樣性相關(guān)的應(yīng)該是模型由Point wise調(diào)整為L(zhǎng)ist Wise，以及通過MMR等進(jìn)行打散的排序，還可能加入一些硬規(guī)則的M出N的排序，然后EE和生態(tài)排序也可以算到這里。

4）交互

這里最重要的是，要實(shí)時(shí)捕捉用戶的正負(fù)反饋，根據(jù)正反饋加強(qiáng)推薦，根據(jù)負(fù)反饋削弱推薦；同時(shí)要在產(chǎn)品交互形態(tài)上做到動(dòng)態(tài)交互，既用戶點(diǎn)擊某個(gè)Item后回到列表頁時(shí)，下一個(gè)如何進(jìn)行動(dòng)態(tài)的推薦；以及用戶翻頁時(shí)，要進(jìn)行重新推薦，這里有些會(huì)使用端智能，但感覺端智能還是提升有限，最好還是進(jìn)行服務(wù)端重新的推薦。

總結(jié)一下多樣性的要點(diǎn)：

• 用戶意圖非常明確收斂時(shí)，不要做大力度的多樣性；
• 用戶意圖發(fā)散時(shí)，要加強(qiáng)多樣性；
• 要合邏輯地做多樣性，不要為了多樣性而多樣性；

04 其他

個(gè)人觀點(diǎn)的體感不做，但大多數(shù)人的用戶體驗(yàn)，敏感商品屏蔽等要做；

拍腦袋的功能不做，但通過數(shù)據(jù)分析、行業(yè)調(diào)研、ROI高的要先AB實(shí)驗(yàn)做；

前端樣式變來變?nèi)サ牟呗援a(chǎn)品不做，但分人群等個(gè)性化的UE及方案等要做；

天天干預(yù)配置的運(yùn)營(yíng)、策略產(chǎn)品不做，但要提供工具給產(chǎn)品運(yùn)營(yíng)用；

天天幫研發(fā)找表、跑數(shù)的保姆不做，但跨部門協(xié)調(diào)、數(shù)據(jù)分析等要做；

左手導(dǎo)右手的不做，但如果能形成全局效率最大化的要做；

人情類的需求不做，但為了生存有選擇性地做。

以上為個(gè)人觀點(diǎn)，不代表任何機(jī)構(gòu)。