推薦的套路

1. 推薦的本質是什麼？

是內容和資料。

資料指的是使用者的行為資料。沒公尺是做不了飯的，沒有資料任何演算法都是走不通的。很多高大上的詞，使用者畫像什麼的，本質上都是對使用者行為資料的抽象而已。另外，給內容打標籤、打質量係數分也可以用使用者行為資料。

推薦的本質，就是根據使用者行為資料，提供更滿足使用者的內容。

2. 乙個怎樣的產品才能做推薦？

在我看來，至少包括兩個要素：

1）足夠大量的內容和資料

內容不夠多的話，做榜單就行了，做個毛線推薦。

資料不夠大的話，再好的演算法訓練出來都一坨翔。

做推薦准入門檻很高，是個貴族遊戲。

2）產品形態有推薦的原動力

什麼意思呢？一言難盡。

產品經理喜歡拷問一些諸如「為什麼要做推薦？做推薦對產品有啥用？是不是有些使用者不喜歡推薦」之類的問題，在我看來這是蛋疼問題，推得好資料一定會更好，問題就是你的產品未必能推得好啊。

推薦應該是個研發主導的事情，首先要拷問的是這個產品的資料流是否能否支撐某種推薦模型，要拿什麼、怎麼訓練、出些啥、可以幹啥。如果資料流最多做做協同，那硬要做feed流一定會死很慘。

1）使用者幫你打標籤，例如知乎、網易雲**。形成這樣的產品形態不容易。

2）搜尋滲透高的產品很適合做推薦，搜尋是挖掘推薦資料的大金礦。

3）外部資料（如爬蟲）能起很大作用的產品，例如各種**資訊流產品。

乙個產品純靠推薦來運作是很難的，往往是搜尋、分類、榜單、使用者、外部資料等所有加起來給推薦提供訓練資料。大中台戰略，倒是讓許多本來不好做推薦的產品也能給你推了。

3. 推薦的大套路

1）收集資料

收集資料永遠是第一步。需要了解手中的資料是怎麼來的，到底是使用者幹了啥產生的。並且最好建立感性的認知，這樣對後續的etl、演算法選擇、調參、模型解釋等各個環節都有很大幫助。

2）建立指標

一定要先建指標，否則是沒辦法驗證推薦效果的。常見的有ctr、pv、uv、人均等，結合自己產品形態來設計。

3）實現推薦流程

到這裡才是演算法選擇和工程實現。一般來說，能做推薦的產品規模都不會太小，所以會遇到各種高併發、分布式儲存與計算等工程問題。推薦演算法只是推薦整個流程的乙個小塊，做推薦的往往需要演算法、大資料、資料分析、產品思維等多種能力，非常苛刻。

4）不斷地優化

就是不停地abtest、調參、更新策略、更新演算法，一步一步提高指標。

4. 推薦的小套路

@海洪傳授的秘訣是四個字，熱推多補。

熱指的是榜單內容，多用於冷啟動。

推指根據短期、實時反饋的資料進行的即時推薦，效果最顯著。

多指多樣性，不能老是推使用者愛看的，這樣會收斂。你永遠需要補充一些使用者沒看過的來讓使用者發現新的大陸。

補指補充，指的是根據長期資料、近線計算的使用者畫像推薦的內容，可以起到良好的補充作用。

以熱推多補作為指導思想，建立推薦模型、推薦策略。