推薦的起點(diǎn)：斷物識(shí)人

基礎(chǔ)原理：更好地了解待推薦的內(nèi)容，更好地了解要推薦給的人，從而更高效的完成內(nèi)容與人之間的對(duì)接

斷物最簡(jiǎn)單的方式就是“貼標(biāo)簽”，標(biāo)簽是我們對(duì)多維事物的降維理解，抽象出事物更具有表意性、更為顯著的特點(diǎn)。在不同的應(yīng)用場(chǎng)景下，對(duì)標(biāo)簽全集進(jìn)行有針對(duì)性地投射，有傾向性地選用不同的標(biāo)簽以換取信息匹配效率最大化。但在某些領(lǐng)域，標(biāo)簽很難準(zhǔn)確地表意或概括

識(shí)人給目標(biāo)用戶貼標(biāo)簽，用戶畫像數(shù)據(jù)劃分為靜態(tài)、動(dòng)態(tài)兩類，

靜態(tài)用戶畫像數(shù)據(jù)：獨(dú)立于產(chǎn)品場(chǎng)景之外的屬性，如性別、學(xué)歷、年齡；

動(dòng)態(tài)用戶畫像數(shù)據(jù)：顯示行為通常大于隱式行為

包括：位置、搜索、評(píng)分、收藏、分享、評(píng)論、播放比例或播放時(shí)長(zhǎng)

推薦算法：物以類聚，人以群分

協(xié)同推薦：

基于用戶的協(xié)同：找到與你某一方面相似的人群，將這一人群喜歡的新東西推薦；用戶a閱讀內(nèi)容1和2，用戶b閱讀內(nèi)容1和2和3，就可以把內(nèi)容3推給用戶a

基于物品的協(xié)同：先確定你喜歡什么物品，再找到與之相似的物品推薦給你；內(nèi)容1、2都被用戶a、b讀，當(dāng)用戶c讀了1，所以就把2推給他

基于模型的協(xié)同：用用戶的喜好信息來(lái)訓(xùn)練算法模型，實(shí)時(shí)預(yù)測(cè)用戶可能的點(diǎn)擊率。協(xié)同推薦基于用戶行為的特點(diǎn)使我們不需要對(duì)物品或信息進(jìn)行完整的標(biāo)簽化，更好的發(fā)現(xiàn)用戶潛在興趣偏好

場(chǎng)景劃分：

交互界面的迭代輔助了用戶的決策，引導(dǎo)用戶按照系統(tǒng)所期望的方式前進(jìn)，以實(shí)現(xiàn)提升系統(tǒng)指標(biāo)的最終目的。因此，對(duì)推薦系統(tǒng)而言，有著“交互界面>數(shù)據(jù)>算法”的說法

推薦系統(tǒng)評(píng)估指標(biāo)：

推薦準(zhǔn)確度、推薦覆蓋度（多樣性）

冷啟動(dòng)：

對(duì)于主場(chǎng)景而言，用戶留存一定是第一目標(biāo)，只有把用戶留下來(lái)才有持續(xù)探索的可能性。所以系統(tǒng)在新用戶的冷啟動(dòng)推薦上也會(huì)更偏向于重大興趣的收斂而非發(fā)散，盡可能地追求留存率的提升

對(duì)于冷啟動(dòng)的內(nèi)容，我們可以基于文本分析抽離出內(nèi)容的關(guān)鍵字、話題來(lái)建立內(nèi)容畫像；對(duì)于冷啟動(dòng)的用戶，我們同樣需要盡快完善信息的手機(jī)和預(yù)處理工作，建立對(duì)用戶的初步認(rèn)知

時(shí)空限定內(nèi)容

為什么推薦會(huì)導(dǎo)致low？

1、三問內(nèi)容質(zhì)量：

由特定群體來(lái)判斷，比如我是農(nóng)民，我對(duì)于互聯(lián)網(wǎng)、金融不感興趣，但我對(duì)下河抓魚、放羊的文章感興趣，但這樣的文章不能說是好文章，但也絕對(duì)不是low文章

真正的low文章：真實(shí)性上-歪曲事實(shí)，虛假信息；閱讀體驗(yàn)上-無(wú)意義，錯(cuò)字連篇；價(jià)值引導(dǎo)-不正確價(jià)值觀、色情；這些才是真正low的，不適合傳播的

2、為什么會(huì)覺得推薦內(nèi)容格調(diào)低劣

推薦準(zhǔn)確定的問題：我在大學(xué)時(shí)讀了一些知乎live的付費(fèi)課，感覺講的很好；現(xiàn)在再去看知乎live，感覺好low啊，沒有干貨、視聽體驗(yàn)極差。這就表情了每個(gè)人的認(rèn)知程度是不同的，一篇文章在不同人的眼里了的感受也不同

無(wú)意識(shí)反饋：每個(gè)人都有一種超我人格結(jié)構(gòu)，是一個(gè)追求美好的心理，比如我愿意去看一些論文、講座；人還會(huì)有本我的人格結(jié)構(gòu)，他是追求快樂的，在我實(shí)際的閱讀過程，我還是愿意去看nba、吐槽大會(huì)；本我會(huì)創(chuàng)造足夠大的需求，所以我們?nèi)绻鶕?jù)點(diǎn)擊、閱讀時(shí)長(zhǎng)、點(diǎn)贊來(lái)看，肯定接地氣的內(nèi)容更受歡迎（實(shí)際文章的穩(wěn)步也符合馬斯洛需求模型）

3、更平衡的產(chǎn)品設(shè)計(jì)

一篇有深度的文章相比于泛娛樂化的文章肯定屬于少數(shù)，應(yīng)該用更好的方式來(lái)引導(dǎo)推薦

內(nèi)容稀缺度：越專業(yè)的文章越少，所以這種小類型的點(diǎn)擊相比于大類型的點(diǎn)擊更有價(jià)值

作者角度：每個(gè)領(lǐng)域都會(huì)有更專業(yè)的作者，我們?cè)谕扑]時(shí)應(yīng)該放大作者的權(quán)重，不止是基于內(nèi)容相關(guān)性推薦

互動(dòng)行為：可以提高分享的權(quán)重，分享意味著用戶愿意去為之傳播和背書

社交分發(fā)：遇到信息過載，廣告刷屏

臉譜網(wǎng)最初采用邊際排名算法：E=uwd，u用戶與作者的親密度分?jǐn)?shù)、w不同反饋動(dòng)作具有不同權(quán)重、d基于時(shí)間衰減，新內(nèi)容權(quán)重越高