許多專業(yè)人士的知識結(jié)構(gòu)特點都是：在太少的地方知道的太多。
我們總是希望他們能講點什么，但很遺憾的是，許多專業(yè)人士已經(jīng)逐漸喪失了和大眾對話的能力，他們一開口，講的東西大多人都很難輕易聽懂。
在職場，分工的邊界開始變得模糊，大多人需要的是對許多方面都有一定的了解，但又不需要特別精通，從而能和其他人有更流暢的合作，對項目有更宏觀的理解，對非專業(yè)的知識也能有框架性的認識。
所以本文梳理了內(nèi)容推薦算法的基礎邏輯，沒有任何公式和算法程序，10分鐘就可以對內(nèi)容推薦的方方面面有整體的理解。
為了讓文章盡可能簡化，所有不必要的內(nèi)容都沒有在文中寫出，但羅列了許多參考文章，可以進一步擴展閱讀。各位在人人都是產(chǎn)品經(jīng)理、鳥哥筆記、搜狗微信搜索等網(wǎng)站檢索，就可以輕易得到文章。
絕大多數(shù)已知的事情在邏輯上都是非常簡單的，難的地方在于細節(jié)的處理、技術(shù)的實現(xiàn)。但在“認識”這個階段，對邏輯的理解非常重要，所以這是一個既重要又簡單的部分。
在“實踐”階段則要復雜的多，需要我們自己在做的過程中反復琢磨，找到真正適合自己的方案。?
全文分為6個基礎邏輯。
傳統(tǒng)內(nèi)容獲取方式
#在個性化推薦技術(shù)大規(guī)模應用以前，人們在線獲取信息的方式主要依靠搜索引擎、瀏覽站點首頁兩種方式。
#使用搜索引擎的場景下，用戶的需求主動而明確，可以通過關(guān)鍵詞獲取精準的信息。
#瀏覽站點首頁的場景下，用戶的需求主動而模糊，可以獲得平臺推薦給你的信息，這種推薦對所有用戶一般是無差別的，比如各大站點首頁的輪播圖、專欄、熱榜等。相關(guān)的技術(shù)是“熱點算法”。
#最近幾年開始流行的個性化推薦提供足夠定制化的信息，每個人都是獨一無二的個體，極為個性化的偏好都能得到滿足。
「擴展閱讀」
#互聯(lián)網(wǎng)時代最主要的三種獲取信息方式-文章-米可-人人都是產(chǎn)品經(jīng)理
#淺談互聯(lián)網(wǎng)信息獲取方式的演變以及對SEO的影響-文章-SEO技術(shù)流-微信公眾號
內(nèi)容分發(fā)方式
#內(nèi)容分發(fā)是從平臺的角度來說的，可以分為訂閱分發(fā)、編輯分發(fā)、社交分發(fā)、推薦分發(fā)。
#微信公眾號的基本的邏輯是訂閱分發(fā)，網(wǎng)易首頁的輪播圖和欄目是編輯分發(fā)，微信「看一看」中的“朋友在看”屬于社交分發(fā)，今日頭條APP首頁的“推薦”欄目更多屬于推薦分發(fā)。
#許多產(chǎn)品都會把三種方式結(jié)合使用，比如知乎首頁就有「推薦」、「關(guān)注」和「熱榜」，甚至有的平臺會把這三類都整合在一個信息流中。
「擴展閱讀」
#聊一聊信息分發(fā)的嬗變史-文章-善寶橘-人人都是產(chǎn)品經(jīng)理
#互聯(lián)網(wǎng)信息分發(fā)簡明史-文章-金葉宸-人人都是產(chǎn)品經(jīng)理
#知乎的內(nèi)容分發(fā)策略及運行機制是怎樣的？-文章-Lcarusd-人人都是產(chǎn)品經(jīng)理
#內(nèi)容分發(fā)三分天下？編輯、算法與社交-文章-Ella-人人都是產(chǎn)品經(jīng)理
搜索引擎&推薦系統(tǒng)
#搜索引擎和推薦系統(tǒng)是人們獲取信息最主要的兩種方式，它們之間關(guān)系密切。
#前面已經(jīng)說過，使用搜索引擎獲取信息時，用戶的需求主動而明確，而使用推薦系統(tǒng)的用戶，需求往往被動而模糊。
#搜索引擎的結(jié)果對不同特征的人可以有一定的不同，但很難做到個性化，推薦引擎則可以做到千人千面，滿足每個用戶的個性化需求。
#從給用戶呈現(xiàn)的內(nèi)容來看，可以把搜索引擎看作推薦引擎的某種簡化，如果一個用戶只對一個關(guān)鍵詞感興趣，那么推薦引擎的結(jié)果就近似于搜索引擎的結(jié)果。
「擴展閱讀」
#推薦系統(tǒng)和搜索引擎的關(guān)系是什么？-文章-陳運文-人人都是產(chǎn)品經(jīng)理
#內(nèi)容算法：第一章：走近內(nèi)容推薦：推薦系統(tǒng)架構(gòu)初探-圖書-閆澤華-實體書
#一文解讀垂直搜索引擎和個性化推薦的應用邏輯-文章-Sarah-人人都是產(chǎn)品經(jīng)理
推薦系統(tǒng)&用戶畫像
#內(nèi)容推薦，就是把合適的內(nèi)容推薦給需要的用戶，推薦系統(tǒng)需要搞定三個大的模塊：用戶、內(nèi)容、算法。而用戶畫像屬于用戶模塊，是推薦系統(tǒng)的重要組成部分。
#雖然用戶畫像還有產(chǎn)品或行業(yè)研究等使用場景，但相對次要，在討論推薦問題的場景下，可以直接把用戶畫像看作推薦系統(tǒng)的組成部分。
#用戶的每一次操作都有兩種意義。一是對內(nèi)容進行「群體評估」，用自己的行為決定某篇內(nèi)容的好壞，二是「個體進化」的意義，通過自身的每一次選擇與反饋，持續(xù)地改進自身的用戶畫像。
#用戶畫像就像為每個人構(gòu)建一個數(shù)字軀體，用戶畫像越完善，推薦系統(tǒng)獲得的語義就越豐富，推薦給用戶的內(nèi)容就越精準，用戶就可以獲得更好的體驗。
「擴展閱讀」
#一文讀懂推薦系統(tǒng)用戶畫像-文章-菠蘿王子-人人都是產(chǎn)品經(jīng)理
#實例解析：生活中的用戶畫像-文章-接地氣的陳老師-人人都是產(chǎn)品經(jīng)理
斷物&識人
斷物和識人，一個關(guān)注內(nèi)容，一個關(guān)注用戶，簡單來說都是“貼標簽”。標簽是我們對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。
#「斷物」有三種方式：分類、標簽、聚類。
#「分類」是樹狀的，是自上而下依次劃分的。在分類體系里，每個節(jié)點都有嚴格的父類繼承關(guān)系，在兄弟節(jié)點層都具有可以被完全枚舉的屬性值。
#應用分類時必須考慮分類權(quán)威性和信息完備性問題，避免因為子節(jié)點覆蓋不全或分類錯誤導致的認知問題。
#知乎的「話題樹」就是一個典型的分類體系。
#「標簽」是網(wǎng)狀的，更強調(diào)表達屬性關(guān)系而非繼承關(guān)系，只有權(quán)重大小之分，不強調(diào)包含與被包含關(guān)系。這就使得相對于分類而言，標簽的靈活性更強。
#在權(quán)威性方面，標簽是較弱的，每個用戶都可以參與進來，基于自己的偏好貼標簽，可以借助規(guī)模效應實現(xiàn)對信息表意完備性的覆蓋。
#豆瓣圖書的關(guān)鍵詞，就是一個典型的標簽系統(tǒng)。
#「聚類」可以用來應對難以用標簽準確描述的東西，比如說一個人長得漂亮，是由一系列復雜而模糊的綜合特征來決定的。
#聚類并不是以標簽詞的方式來定義事物是怎樣的，而是基于某一維度的特征將相關(guān)物品組成一個集合，并告訴你這個新的物品同哪個集合相似。這種分類算法相對并不直觀，對普通用戶來說一般處于黑盒狀態(tài)。
#抖音可能會給你推薦「愛跳舞的小姐姐」、也可能會給你推薦「美食做法」，其中的算法就包含對短視頻的聚類。
#「識人」可以更加簡單地理解為給用戶“貼標簽”，來描述用戶的特征，也就是用戶畫像。
#用戶畫像數(shù)據(jù)分為靜態(tài)和動態(tài)兩類。
#「靜態(tài)用戶畫像數(shù)據(jù)」是獨立于產(chǎn)品場景之外的屬性，比如性別、學歷、年齡等。
#「動態(tài)用戶畫像數(shù)據(jù)」，包括用戶在產(chǎn)品場景中所產(chǎn)生的的顯式和隱式行為。
#顯式行為包括對內(nèi)容的點贊、評論、分享、對作者關(guān)注等。
#隱式行為包括在頁面的停留時間、用戶操作軌跡等。
#通常顯式行為的權(quán)重更高，但由于顯式行為更稀疏，所以需要隱式行為來補充驗證。?
「擴展閱讀」
#內(nèi)容算法：第二章：推薦的起點：斷物識人-圖書-閆澤華-實體書
#如何構(gòu)建用戶標簽體系？-文章-日久情疏-人人都是產(chǎn)品經(jīng)理
#用戶標簽實踐：如何建立標簽體系實現(xiàn)精準營銷？-文章-lei-人人都是產(chǎn)品經(jīng)理
#什么是用戶畫像和標簽？-文章-Pinko-人人都是產(chǎn)品經(jīng)理
基于內(nèi)容的推薦&基于用戶的推薦
基于內(nèi)容的推薦指的是「相似性推薦」。
#「相似性推薦」算法中的相似性通過內(nèi)容的標簽重合度來體現(xiàn)。
#在眾多圖書中，兩本書的標簽重合度較高，如果用戶選擇了其中一本，系統(tǒng)就應當優(yōu)先推薦給這位用戶另一本。
#上圖中，《運營之光》和《從零開始做運營》的標簽重合度更高，可以給買其中一本的用戶推薦另一本，而不是推薦《內(nèi)容算法》。
#考慮到不同標簽的區(qū)分度不同，可以進一步細化，引入TF-IDF方式給不同的標簽設定權(quán)重。
#TF-IDF的邏輯很簡單，出現(xiàn)頻率越高的標簽區(qū)分度越低，給的權(quán)重也應該越低。
#這種基于內(nèi)容屬性的推薦，好處是只依賴物品本身的特征而不依賴用戶的行為，讓新的物品和冷僻的物品都能得到展示。但也有一些問題。
#第一個問題，推薦質(zhì)量的優(yōu)劣完全取決于特征構(gòu)建的完備性，但這是一項困難的系統(tǒng)工程。
#第二個問題，單純的內(nèi)容屬性推薦沒有考慮到用戶對物品的態(tài)度，用戶的品味和調(diào)性很難得到詮釋和表達。
#「相似性推薦」理解起來比較直觀，但因為它存在的問題在海量內(nèi)容平臺上非常嚴重，所以下面一種方式才是目前應用范圍較廣的推薦方法。?
基于用戶的推薦指的是「協(xié)同過濾」。?
#「基于用戶行為的協(xié)同過濾」引入了用戶的消費行為特征，以此來計算用戶相似性和物品相似性。
#協(xié)同推薦分為三個子類：基于物品的協(xié)同、基于用戶的協(xié)同、基于模型的協(xié)同。
#「基于用戶的協(xié)同」就是找到和你口味相似的人群，并把他們喜歡的新東西推薦給你。
#上圖中，用戶1和3都喜歡內(nèi)容A和C，判斷這兩個用戶偏好相似，當用戶3閱讀內(nèi)容D時，同樣把內(nèi)容D推薦給相似的用戶1。
#「基于物品的協(xié)同」，如果很多用戶都閱讀了同樣的兩個內(nèi)容，系統(tǒng)就認為這兩個內(nèi)容相似。一個新的用戶閱讀其中一個，系統(tǒng)就會把另一個推薦給這位用戶。
#上圖中，內(nèi)容A和C都被用戶2和3喜歡，系統(tǒng)判斷這兩個內(nèi)容相似，所以當一個新的用戶1喜歡A后，也應該把相似的內(nèi)容C推薦給用戶1。
#「基于模型的協(xié)同」是用用戶的喜好信息來訓練算法模型，實時預測用戶可能的點擊率，是深度學習技術(shù)的應用。
#基于用戶行為的協(xié)同過濾，特點是我們不需要對物品或信息進行完整的標簽化分析和建模，實現(xiàn)了領(lǐng)域無關(guān)，因此應用廣泛。
「擴展閱讀」
#內(nèi)容算法：第三章：推薦算法：物以類聚，人以群分-圖書-閆澤華-實體書
#分析：基于文本內(nèi)容推薦和協(xié)同過濾推薦-文章-SincerityY-人人都是產(chǎn)品經(jīng)理
#推薦策略產(chǎn)品經(jīng)理：什么是協(xié)同過濾推薦算法？-文章-鳳城狂客-人人都是產(chǎn)品經(jīng)理#
#協(xié)同過濾算法：在抖音狂給1000個小姐姐點贊的事被老婆發(fā)現(xiàn)了！-文章-菠蘿王子-人人都是產(chǎn)品經(jīng)理?
設計一款推薦系統(tǒng)，除了整體邏輯和具體算法，期間還會遇到各種各樣需要考慮的問題，比如去重問題、權(quán)重問題、推薦密度問題、易反感內(nèi)容處理、時空限定類內(nèi)容處理、反作弊、偶然和極端情況等等，都需要我們逐步考慮進來。
另外，理解整體邏輯后，我們還需要知道，推薦算法是有很多不同的典型使用場景的。比如基于用戶消費歷史的商品推薦、視頻播放結(jié)束后繼續(xù)觀看的場景、搜索的場景、時下流行內(nèi)容的推薦、熱榜推薦的熱度算法等等，每一類場景都能找到典型的產(chǎn)品，但一定要根據(jù)分類找到更有參考價值的案例，以免邏輯混亂。
以上內(nèi)容，寫給那些對內(nèi)容推薦非常陌生的產(chǎn)品和運營人員，可以作為入門理解的首選文章。當然，一個成熟的推薦系統(tǒng)從設計到落地要復雜得多，每一個不同的細節(jié)問題、每一個使用場景都有相關(guān)的文章或圖書，可以進一步檢索學習。
