編輯導(dǎo)語：有人認(rèn)為，智能推薦是一個(gè)偉大創(chuàng)造，是信息時(shí)代必不可少的工具。與此同時(shí)，有人急切的想要拒絕智能推薦，認(rèn)為這種追蹤是對(duì)個(gè)人隱私的侵犯，也有人認(rèn)為智能推薦會(huì)使我們獲取的信息越來越狹窄、越來越片面從而走進(jìn)信息繭房。今天這篇文章中，作者就來為我們說說智能推薦的那些事兒。

一、智能推薦的重要性

智能推薦是非常重要的數(shù)據(jù)產(chǎn)品，是比較早期的實(shí)現(xiàn)了智能化、自動(dòng)化的的數(shù)據(jù)產(chǎn)品。在現(xiàn)在的科技發(fā)展中，客服智能化了么？沒有~優(yōu)惠券？定價(jià)？都還沒有智能化，只有分發(fā)實(shí)現(xiàn)了智能化。

字節(jié)跳動(dòng)做智能推薦很厲害，對(duì)公司的業(yè)務(wù)產(chǎn)生了巨大的變革，所以今天我們把智能推薦這個(gè)事情來講講清楚，讓大家明白明白。

二、智能推薦的背景

用戶越來越多，商品越來越多，那么用戶想要找到想要找到的商品也越來越困難，讓某個(gè)或某些產(chǎn)品在眾多產(chǎn)品中脫穎而出也是特別特別的困難，簡(jiǎn)單的來講就是供需匹配，兩者無法匹配的上，所以怎么辦呢？如何解決這個(gè)問題呢？

三、各類方案解決的優(yōu)劣

所以當(dāng)前有這么幾種解決方案，分別是搜索引擎、分類目錄和智能推薦，接下來我們就簡(jiǎn)單介紹一下這三種解決方案的優(yōu)劣勢(shì)。

1. 搜索引擎

需要用戶主動(dòng)去搜索，這個(gè)是百度干的事兒，但是這個(gè)時(shí)候是需要用戶的目的性很強(qiáng)才行，要知道自己想要什么，但是很多時(shí)候我們并不知道我們想要什么東西，我也不想去絞盡腦汁去想我要什么，只想放松，那搜索可以做到么？做不到，可能搜索出來的東西并不是可以滿足我們的東西~

2. 分類目錄

在這個(gè)里面，我們要知道我們想要的東西屬于哪一種屬性，知道了之后才能去找，如果分類屬性選擇錯(cuò)了，那就在當(dāng)下這個(gè)錯(cuò)的目錄里面永遠(yuǎn)也找不到我想要的東西。而且一旦我不清楚我自己想要什么的時(shí)候，面對(duì)紛繁復(fù)雜的分類目錄，更是無從下手~

3. 智能推薦

而智能推薦呢？我不需要用戶提供明確的需求，我只需要根據(jù)用戶的歷史行為去建模，然后根據(jù)他們的歷史行為判斷接下來的行為和喜好，去給用戶做相對(duì)應(yīng)的內(nèi)容、產(chǎn)品推薦。所以當(dāng)用戶沒有明確的目的的時(shí)候，也可以幫助用戶發(fā)現(xiàn)新內(nèi)容。

四、智能推薦的機(jī)制

1. 人

建立用戶畫像，給用戶打上事實(shí)標(biāo)簽和模型標(biāo)簽，什么是事實(shí)標(biāo)簽？就拿虛擬人物“小明”舉個(gè)例子吧！小明經(jīng)常在某購物平臺(tái)上購物，并已完善自己的個(gè)人信息，那么平臺(tái)就會(huì)把該信息收集，作為事實(shí)標(biāo)簽。

• 姓名：小明
• 性別：男
• 身高：180cm
• 體重：70kg
• 愛好：看電影
• 職位：產(chǎn)品經(jīng)理
• 目前所在地：上海
• 消費(fèi)等級(jí)：極高（根據(jù)日常消費(fèi)習(xí)慣判斷）
• 常看類型產(chǎn)品：高科技產(chǎn)品、數(shù)碼產(chǎn)品、大牌運(yùn)動(dòng)鞋

那什么是模型標(biāo)簽?zāi)兀烤褪窍到y(tǒng)可能會(huì)把一類人劃分為一個(gè)模型，他們的事實(shí)標(biāo)簽可能會(huì)比較相似，這就是一個(gè)模型標(biāo)簽。

我接著拿玉康舉例子：比如說系統(tǒng)給他們這一類人建的模型標(biāo)簽名稱是“大款”，那可能別的某個(gè)大款看上了一個(gè)布加迪，加購并付款了，雖然孫玉康沒有看這個(gè)產(chǎn)品，但是可能布加迪及相關(guān)產(chǎn)品也會(huì)出現(xiàn)在孫玉康的推薦列表中。

2. 貨（內(nèi)容）

給內(nèi)容或產(chǎn)品打上標(biāo)簽，比如一個(gè)運(yùn)動(dòng)上衣，可能會(huì)有夾克、運(yùn)動(dòng)、長(zhǎng)袖、外套等等各種各樣符合這個(gè)產(chǎn)品的標(biāo)簽，并記錄這個(gè)產(chǎn)品的售賣數(shù)量，收藏、加購的數(shù)量等。

然后通過人貨模型，就可以知道，比如說：年輕的女孩子，喜歡口紅，包包、購物、逛街；年輕的男孩子，喜歡女孩子，喜歡手機(jī)、手表、汽車，然后怎么匹配呢？

3. 場(chǎng)

就是在對(duì)應(yīng)的場(chǎng)里做匹配，比如說首頁、Feed流、導(dǎo)航欄、個(gè)人中心等等，在你想要的場(chǎng)景匹配上你所需要的數(shù)據(jù)。

然后我可能有了這個(gè)標(biāo)簽的推薦方法，我把一個(gè)東西推給一部分人，然后這部分人很喜歡這個(gè)東西，那我就可以把這個(gè)東西推給更多類似的用戶了，然后不停不停的去擴(kuò)展流量，我就知道每個(gè)用戶喜歡什么東西了。

五、智能推薦系統(tǒng)的框架

1. 數(shù)據(jù)采集

怎么去采集??？要去做埋點(diǎn)，要去記錄用戶的數(shù)據(jù)。

比如說一個(gè)用戶打開了我們的某小程序，他注冊(cè)的信息是什么？他是幾點(diǎn)打開的，幾點(diǎn)關(guān)閉的小程序，查看了哪些頁面，瀏覽了哪些產(chǎn)品，每個(gè)頁面的停留時(shí)間是多久，用的4G還是5G還是WIFI啊，在哪兒？

這時(shí)候用戶數(shù)據(jù)和行為數(shù)據(jù)都知道了，那什么是內(nèi)容數(shù)據(jù)呢？比如說抖音，億萬的人在抖音產(chǎn)生了千億條抖音短視頻，這些都是內(nèi)容數(shù)據(jù)。

2. 數(shù)據(jù)整理

采集到數(shù)據(jù)之后，就要把數(shù)據(jù)做標(biāo)注，數(shù)據(jù)標(biāo)注的類型有：圖片標(biāo)注、語音標(biāo)注、文本標(biāo)注、視頻標(biāo)注、道路標(biāo)注、行人標(biāo)注、人臉106點(diǎn)、圖像語義分割等。

然后有些數(shù)據(jù)是重復(fù)的，需要做合并，有些事無意義的數(shù)據(jù)，影響后面的數(shù)據(jù)整理，那就做數(shù)據(jù)清洗，把它干掉等等

3. 畫像體系

有了這些數(shù)據(jù)，我們就可以生成畫像了，就知道是什么了。

畫像有人物畫像，也有商品畫像；我們繼續(xù)來說小明，比如說：小明，26歲，性別男，愛好看電影，喜歡吃小龍蝦，商品畫像其實(shí)就是描述這個(gè)商品的內(nèi)容的東西。

4. 算法引擎

• 協(xié)同過濾：比如說小明喜歡《數(shù)據(jù)挖掘?qū)д摗?，小紅喜歡《三個(gè)火槍手》，基于 UserCF(用戶協(xié)同過濾)，找到與他們偏好相似的用戶，將相似用戶偏好的書籍推薦給他們；還可以基于ItemCF(物品協(xié)同過濾)，找到與他們當(dāng)前偏好書籍相似的其他書籍，推薦給他們。
• 隱語義模型：根據(jù)用戶的當(dāng)前偏好信息，得到用戶的興趣偏好，將該類興趣對(duì)應(yīng)的物品推薦給當(dāng)前用戶。比如，小明喜歡的《數(shù)據(jù)挖掘?qū)д摗穼儆谟?jì)算機(jī)類的書籍，那我們可以將其他的計(jì)算機(jī)類書籍推薦給他；小紅喜歡的是文學(xué)類數(shù)據(jù)，可將《巴黎圣母院》等這類文字作品推薦給她，這就是隱語義模型。

此外還有聚類模型等。

5. 推薦接口

由于有這些底層的數(shù)據(jù)及算法，那就可以根據(jù)這些數(shù)據(jù)通過接口，在某些場(chǎng)景去給他們做分發(fā)，我們繼續(xù)來說小明，不僅喜歡吃老鄉(xiāng)雞，還喜歡打網(wǎng)球，彈琴，琴棋書畫樣樣精通啊。孫總打開手機(jī)的時(shí)候，我就可以在他的用戶端的各個(gè)模塊下給他推薦他喜歡的東西了。

6. 底層規(guī)則控制及配置

比如說我知道孫總喜歡吃老鄉(xiāng)雞，可是我已經(jīng)給他推送了3天了，第四天我再給他推送，估計(jì)他就吐了，那我給他推送一波小廚娘，名稱就很符合孫總的審美，他是不是就很大概率會(huì)買呀，這個(gè)就是一些規(guī)則的控制與配置，最后通過重新得到的數(shù)據(jù)去統(tǒng)計(jì)分析。

7. 數(shù)據(jù)采集及畫像構(gòu)建

有些數(shù)據(jù)用戶會(huì)手動(dòng)填寫，有些我們需要根據(jù)用戶的行為去分析、推測(cè)，還有一些 需要我們?nèi)ヂ顸c(diǎn)獲取。

8. 根據(jù)數(shù)據(jù)，構(gòu)建用戶畫像

根據(jù)各個(gè)標(biāo)簽，我們可以知道這個(gè)人的用戶畫像。然后根據(jù)這個(gè)人是誰，我們就可以去查找他對(duì)應(yīng)的信息有哪些，我們就可以根據(jù)用戶畫像中的信息去推送他喜歡的東西。

9. 算法的工作機(jī)制

我們把用戶畫像和商品畫像丟到了算法池子里，過來一個(gè)一個(gè)用戶請(qǐng)求后，我們會(huì)先調(diào)用用戶畫像，讓我看看你是誰？

然后我會(huì)再看看我有哪些東西，知道了這些后，系統(tǒng)會(huì)按照你的需求去做召回，把東西從庫存中拿出來，比如說我從熱點(diǎn)里召回了500個(gè)，從興趣中召回500個(gè)，從TOP隊(duì)列中再召回500個(gè)，從很多隊(duì)列中召回。

比如說我們召回了1500個(gè)東西后，我不可能全給你展示，還是太多了，那我就會(huì)給這1500個(gè)東西評(píng)分，排出來個(gè)123，所以就會(huì)通過協(xié)同過濾去做一個(gè)排名，用RFM模型去做排序。這是第一次排序。

然后會(huì)根據(jù)一些運(yùn)營(yíng)規(guī)則和玩法再去做一次排序，為什么要做兩次排序呢？因?yàn)橛?jì)算量太大了，所以要做兩次排序。排序之后，就是對(duì)每個(gè)人做一個(gè)千人千面的展示了。

六、冷啟動(dòng)的問題

為什么是智能推薦系統(tǒng)？因?yàn)樗泻芏嗟臄?shù)據(jù)去支撐你的整個(gè)系統(tǒng)，但是如果沒有數(shù)據(jù)該怎么辦呢？這個(gè)時(shí)候就需要做冷啟動(dòng)了，冷啟動(dòng)常遇到的問題分三種：

1. 用戶冷啟動(dòng)：主要解決的是如何給新用戶做個(gè)人化推薦的問題？
2. 物品冷啟動(dòng)：主要解決如何將新的物品推薦給可能對(duì)它感興趣的用戶這一問題；
3. 系統(tǒng)冷啟動(dòng)：主要解決如何在一個(gè)新開發(fā)的產(chǎn)品上（還沒有用戶，也沒有用戶行為，只有一些物品的信息）設(shè)計(jì)個(gè)性化推薦系統(tǒng)，使網(wǎng)站剛發(fā)布就讓用戶體驗(yàn)到個(gè)性化推薦服務(wù)這一問題。

常見的冷啟動(dòng)方法，如下圖：

七、智能推薦系統(tǒng)的指標(biāo)體系

然后我們?cè)u(píng)價(jià)我們的系統(tǒng)是不是一個(gè)NB的系統(tǒng)，就需要建立一個(gè)指標(biāo)體系，怎么建立這個(gè)指標(biāo)體系呢？需要從三個(gè)維度來建立，第一是人的維度；第二是貨的維度，第三就是場(chǎng)的維度。

1. 人的維度怎么評(píng)價(jià)一個(gè)推薦系統(tǒng)做的好不好呢？

要看的是人均展現(xiàn)，就像女孩子逛街一樣，你開心你就多逛一會(huì)兒，不開心可能逛一會(huì)兒就結(jié)束了，看你吸不吸引她。

人均點(diǎn)擊就是她點(diǎn)進(jìn)去這個(gè)產(chǎn)品查看了，閱讀時(shí)長(zhǎng)（消費(fèi)）指的就是這個(gè)東西符合他的口味，比如一本書，肯定是閱讀時(shí)間越長(zhǎng)，越能表現(xiàn)這個(gè)這個(gè)書越符合人的口味，我推薦的東西，肯定是他買的越多，說明我們的系統(tǒng)越好。

她逛了多少家店，看了多長(zhǎng)時(shí)間，買了多少錢，肯定是推薦系統(tǒng)越好，推薦的東西越符合他的品味，她逛的時(shí)間就越長(zhǎng)。這個(gè)東西都是成正比的。那Dislike就是你不喜歡這個(gè)東西，不點(diǎn)擊，如果dislike率太高的話，那就說明我們的系統(tǒng)還是不太NB的。

所以說在對(duì)人的維度：是C端的維度，我們要考慮的是滿足用戶的需求。

2. 貨的維度，比如我哪些品類被曝光了，哪些品類被賣出去了

這個(gè)要看的是每個(gè)單品商品的拉新、留存、轉(zhuǎn)化能力。

為什么要說貨的維度呢？是為了建立一個(gè)穩(wěn)定的生態(tài)，比如說抖音，就那么幾百個(gè)人火，其他人發(fā)了都不活，那么長(zhǎng)此下去，還會(huì)有其他人去發(fā)抖音了么？不會(huì)了。

比如說漂亮小姐姐發(fā)啥都火，人均點(diǎn)擊量就是特別高，那我是一個(gè)糙老爺們兒，我沒有那么美麗的皮囊，但是我有內(nèi)涵，我在抖音上講干貨，我的抖音沒人看，我發(fā)了幾次，一直沒人看，那我就不發(fā)了。

所以在算法上，為了生態(tài)平衡，為了生態(tài)的健康，系統(tǒng)也會(huì)給我一些流量，讓我的內(nèi)容有點(diǎn)點(diǎn)擊率，也利于刺激我去做內(nèi)容，從而擴(kuò)大整個(gè)系統(tǒng)的生態(tài)。

所以在貨的維度上：是B端的維度，是為了要滿足生態(tài)的穩(wěn)定性。

3. 場(chǎng)的維度、平臺(tái)的推薦機(jī)制等

我建了多少隊(duì)列，隊(duì)列是不是多樣的，覆蓋的內(nèi)容是不是夠廣，內(nèi)容時(shí)效性是不是夠強(qiáng)，不能說都2020年了，我給你推2001年911恐怖襲擊是吧？

還有我們的內(nèi)容是不是低俗低質(zhì)量的，比如什么我推的都是什么咪蒙文《港囧：斗小三的正確方式是，你要有很多很多的錢》、《如何科學(xué)的搞死渣男老公和小三》，都是很吸引人點(diǎn)擊的內(nèi)容，但是畫風(fēng)就很難看，所以為了持續(xù)的生態(tài)，平臺(tái)也要去打擊屏蔽類似的內(nèi)容、字眼。

內(nèi)容聚集度指的是：top100的內(nèi)容占全部?jī)?nèi)容的比例，比如說我抖音top100的內(nèi)容的播放量占了全部?jī)?nèi)容播放量的80%，說明大部分用戶只看頭部?jī)?nèi)容，那生態(tài)就是不健康的，我們還是希望是把流量平分給各個(gè)哥們兒。

但是各個(gè)平臺(tái)內(nèi)容是不同的，比如說抖音主要是把流量分配給各個(gè)MCN機(jī)構(gòu)的，但是快手的算法是把流量分配給各個(gè)老鐵的。大家可以試試，你去抖音發(fā)和快手發(fā)同樣的一個(gè)視頻，快手的播放量大多數(shù)是要超過抖音的，因?yàn)槎兑舻乃惴?，除非爆款，不然他是不?huì)把流量分發(fā)給你的。

而快手的Slogan是“快手，記錄生活”，是一個(gè)記錄生活的地方，他的流量分發(fā)是相對(duì)比較平均的。抖音為了讓大家的使用時(shí)長(zhǎng)提高，廣告的轉(zhuǎn)化率提高，所以會(huì)推薦一些精品的內(nèi)容，但是精品的內(nèi)容制作是需要有團(tuán)隊(duì)的，或者說門檻比較高，我們普通人制作不出來，所以內(nèi)容聚集度就高了。

八、智能推薦還有哪些延伸？

比如說用在PUSH上，在大麥APP里，你平時(shí)關(guān)注的音樂會(huì)，我平時(shí)關(guān)注的是演唱會(huì)，那可能系統(tǒng)給你推薦的就是《【南京】【跨年場(chǎng)】《維也納施特勞斯之夜》新年交響音樂會(huì)》，給我推薦的可能就是《【南京】汪蘇瀧大娛樂家演唱會(huì)-南京站》。

比如說智能客服，同樣都是買東西遇到了困難，你是的手機(jī)維修，我的是家電維修，咱們兩個(gè)收到的內(nèi)容也是不一樣的。

比如說智能營(yíng)銷，孫博士在系統(tǒng)里是機(jī)械學(xué)院的老教授，張博士在系統(tǒng)里是生物學(xué)院的老教授，那系統(tǒng)給他們發(fā)送的內(nèi)容，給孫博士發(fā)的就是機(jī)械相關(guān)的內(nèi)容，比如說機(jī)械相關(guān)的產(chǎn)品，相關(guān)的會(huì)議。給張博士發(fā)的就是生物相關(guān)的產(chǎn)品和會(huì)議等。

再來說智能搜索， 智能搜索會(huì)根據(jù)每個(gè)人搜索的歷史記錄不同，所在國(guó)家、地區(qū)的不同，展示不同的搜索結(jié)果，現(xiàn)在谷歌，百度等搜索已經(jīng)是了，比如說百度，你在南京搜醫(yī)院和你在北京搜醫(yī)院，展示的內(nèi)容肯定是不同的。

此外還有什么東西可以用到智能的個(gè)性化的產(chǎn)品，大家可以自己在工作之余想想。

本文由@孤獨(dú)的美食家丿 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)作者許可，禁止轉(zhuǎn)載。

題圖來自Unsplash，基于CC0協(xié)議