我们是怎么掉进个性化推荐的怪圈

编者按：本文来自微信大众号“人人都是产品司理”（ID：woshipm），作者 瓶盖，36氪经授权发布。

今天头条之后，很多人都觉得像“中毒”相同，刷段子、刷抖音停不下来；在算法的主导下，抖音成了上瘾的一个代名词。都知道是引荐算法的引荐，为什么咱们仍是停不下来？

• 你刚在微信和朋友谈论AJ样式，看大众号就刷到了AJ的广告，淘宝主页也惊喜般地呈现了AJ引荐；

• 晚上刷抖音总是刷个不断，感觉刷到的每一个视频都有某个点能戳中自己，你堕入寻觅影响的循环。

为什这些APP都知道你在想要什么且清楚你的兴奋点，是他们监控你的聊天记载？

不，是你的个人根底信息和行为数据告知了他们你需求这些，他们就把你的需求自动给到你算了。

那他们是怎样做到的呢？

下面咱们就来简略谈论下特性化引荐：

首要，特性引荐体系是为了处理信息过载，经过特性化引荐进步信息分发的功率和准确性，使得用户更有粘性而被广泛运用的体系。

浅显的说便是：为了让你更爽，你要什么我就给你什么。

这很夸姣，但这儿有一个圈套：

你不要什么，我就少点给你或许不给你——你也就失去了与你定见相左的常识领域触摸的时机，单一的内容被引荐多了用户也会感到疲惫。

特性化引荐用在电商领域来说应该叫“精准投进”——你想买什么淘宝就引荐给你什么，这像是双赢的感觉。

但关于内容领域（短视频等）来说，只引荐你有爱好的内容，影响你兴奋点的一起也让你触摸国际的鸿沟越来越窄，沉浸于自己营建的狭小的国际；莫非咱们进入这种回音室的怪圈之后就无法破解了吗？

* 回音室效应：一些定见附近的声响不断重复，令身处其间的多数人以为这些声响便是实际的悉数。

咱们先不急着回答，待咱们逐渐谈论下特性化引荐的内容后，自己就能回答以上的问题。

一、独立要素引荐

独立要素引荐，便是引荐体系根据单个要素挑选的内容或产品推送给用户。

咱们在了解独立要素引荐的一起，也了解下引荐的两种形式：被迫引荐和自动引荐。

1. 被迫引荐

引荐是用户被迫的接纳信息，需求用户去触发而发生的引荐成果。

例如：淘宝上用户根据价格区间的独立要素挑选产品，这种行为彻底根据用户有意识的自主操作，告知淘宝“我需求特定独立要素”的产品，淘宝后台会根据你的输入信息从而对前端的你进行反响。

假设用户不是选一个要素，而是一起挑选价了格区间+发货区域+品牌这三个独立要素时，这时后台进行挑选，把一起具有这几个独立要素的产品引荐给用户——这仅仅多个独立要素的简略物理标签相的加，还归于独立要素引荐的领域。

* 当然淘宝实在引荐成果更为杂乱，由于有产品竞价排名，这些都会影响引荐的成果，现在是举例阐明。

与之类似的还有网易云音乐的歌单广场。

歌单广场将歌单分为了盛行、歌谣、电子等不同的类别，每一个类别便是一个要素，用户挑选哪个要素的标签，后台体系就更新归于该要素的歌单的数据给到前端界面上展现，这类都是独立要素的被迫引荐。

2. 自动引荐

自动引荐，由体系守时更新数据并自动引荐到用户面前，用户翻开界面就能触摸到自动引荐的成果——如网易云音乐的热歌榜，抖音的人气热搜榜等便是自动引荐的方法。

但这种热榜这种一致引荐的方法有必定程度的马太效应——火的内容会得到更多的曝光越来越火，但大部分人喜爱的内容并不带代表每一个用户都是喜爱的。

抢手引荐满意用户从众心思的一起，也疏忽了用户的特性差异体会，需求根据用户特性的引荐来补偿。

跟着用户对自我独特性的感知越来越强，需求特性化定制的需求也越来越显着；怎么让特定的内容满意特定的用户，让用户开开心心的走进特性化引荐的圈套里，便是接下来咱们要讲的要点。

二、交融要素引荐

交融要素引荐便是：将几个不同的要素根据特定算法交融，进而发生新的特点标签，并引荐到与该特点标签匹配的用户手机上。

咱们把交融要素引荐分为根据内容自身特点引荐、根据内容特点与用户特点协同引荐、根据类似用户协同引荐这三种引荐方法。

1. 根据内容自身特点引荐

引荐目标一般是全部人。

仍是以抖音抢手短视频为例，咱们需求做的是根据内容的自身特点树立内容画像，用数据模型来表明内容的特征。

由抖音热搜榜可看到：咱们把点赞数排名在前30的视频放上热搜榜。

当然，决议点赞数的要素除了视频内容自身的类型及质量外，很大的要害还在于渠道给多少人引荐了这个视频（即有多少人能够刷到了这个视频），而渠道判别一个视频是否值得引荐给更多的用户集体，又与前史用户对视频的交互行为休戚相关。

例如：

短视频渠道将一个审阅往后的新视频先引荐给10w人的根底用户池进行播映展现，假如这10w人有很多人进行彻底播映、点赞、谈论、转发等操作，渠道就判别该视频为优质内容从而引荐给100w、1000w的用户池，如此类推；假如该视频在10w的展现量中，大部分用户对该视频不伤风，很少播映完或点赞，就会削减该视频的展现量或不会再引荐给更多的用户。

这是一个优质内容能得到更多展现，而残次内容削减展现的良性循环。

* 注：用户池也分不同品种的用户池，举例用非实在数据。

这种状况下，判别一个视频能否进入到下一个用户池的规范就成为了要害。

实际中这个规范是根据模型动态改动的，现在咱们先进行规范的静态剖析（这样便于了解）：

根据下面初级的算法公式能够看到：视频的优质程度与用户对这个视频的喜爱程度成正比。

视频优质度=用户喜爱度 * 视频质量基数 * 体裁类别基数 * 渠道广告基数

咱们先用“用户的喜爱程度”这个特性来反响视频的优质程度。

影响“用户喜爱程度”的独立要素有：用户对视频的均匀播映时长、点赞、谈论、共享、重视以及不感爱好等操作，每一个操作都会为一个独立要素添加数值。

每个独立要素关于渠道判别用户对视频的喜爱程度的重要性是不同的，如，共享>谈论>点赞。

咱们用权重来表明，对喜爱度高的要素进行数据加权，数据加权一般有两种常用方法；

1. 自界说加权：产品司理、运营司理根据平常的数据报表人为的界说这些独立要素和设置权重因子的数值，这种方法比较直接也比较简略，但他局限于团队的自身经历，没有经过大数据的验证与实际仍是有较大的误差。

2. 数据建模：简略说便是将时刻变量、独立要素、权重因子经过特定的算法公式进行核算，得出该视频的一个优质度数值；根据这个数值进行引荐和排名，跟着时刻变量的改动，独立因子、乃至是权重因子也会根据必定的函数联系进行改动。整个模型的输入和输出都是动态改动的，经过不断收集用户行为数据来练习模型，使其愈加挨近实际猜测的数值。

根据以上信息，咱们就能够粗略地得出一张反映用户对视频喜爱程度的参阅表，该表也能够反映出视频的优质程度：

用户喜爱度=（播映时长量+点赞量+谈论量+共享量 – 不感爱好量+…）* 权重因子 * 衰减因子

* 正常状况下，需求对各个目标做线性方程回归剖析，确认各个目标具有独立性后，再做权重剖析，以上面表格对错实在数据。

根据以上思路，咱们能够对视频进行优质程度和类型的鉴定；有了内容画像，现在只需找到对这个视频内容感爱好的用户把视频推送给他就行了。

下面便是咱们要说到的是根据内容特点与用户特点的协同的引荐：

2. 根据内容特点与用户特点协同引荐

引荐给特定特点的人。

咱们经过收集一个人的根底信息和行为数据，对一个用户做定性剖析，得出一个用户在互联网及实际中的各种特征，全部特征整合在一起，就成为一个代表实际中用户的虚拟画像。

构建用户画像数据会用到静态和动态两类数据：

1. 静态用户画像数据：咱们在注册APP时通常会输入名字、年纪、性别、答应获取方位、这些根底信息相对安稳。

2. 动态用户画像数据：用户在平常日子对手机发生的操作行为，如你玩过的游戏、重视的大众号、消费记载，有没有房贷车贷发过红包买过稳妥——这些行为最终都会变成几千个实际标签，用这些实际标签构建模型核算用户的行为偏好。

（图片来源于回形针PaperClip）

仍是用上面说到的用户对视频的喜爱度的状况为例：

当用户刷抖音看到一个标签为美人类的视频点了一个赞，并不代表该用户就喜爱看美人（可能是不小心点的），这就需求更多的行为来判别该用户对美人类视频的喜爱程度。

根据前面说到的初级公式：

对美人的喜爱权重=（播映时长量+点赞量+谈论量+共享量 – 不感爱好量+…）* 权重因子 * 衰减因子

除了点赞、谈论、共享，重视了某作者这些行为外，还有一个时刻的限制：短期行为无法代表长时刻爱好，单次行为的权重会跟着时刻消逝不断衰减；用户每次翻开美人类内容都会生成一个爱好权重，把一段时刻内你全部的美人类爱好权重进行累加，再用S型函数规范化就能得到一个0-10区间的爱好值，标签值数值越高，就代表用户对美人就越感爱好程度。

到了这儿，渠道已能够核算出用户对某一类视频的喜爱程度和讨厌程度，一起也对视频做了分类处理，可直接根据用户的偏好将视频引荐给用户。

渠道除了能够核算出用户在内容爱好上面的权重外，还能够在消费才能、交际偏好等方向进行建模核算，从而得出一个教为完好的用户画像。

别的，经过行为直接引荐视频的作用往往不如经过同类视频引荐——找到和你相同的人，把他们的阅读记载引荐给你，往往比直接猜你喜爱什么作用更好！

3. 根据类似用户协同引荐

人以群分，怎么找到和你相同的人？

根据以上思路，咱们在用户的美人喜爱偏好权重、交际偏好权重、消费才能权重等多个维度树立模型，核算用户的偏好，之后将这些偏好反映的权重值转化为特征向量！

如，咱们把用户对美人的喜爱权重为8，交际偏好权重为5，消费才能权重为2，将向量了解成多维空间上的一个坐标，经过把每个用户的向量坐标代入余弦公式和间隔公式中，就能核算出和你类似的人，从而把用户分类。

* 这儿用到的是附近技能：使用用户的前史喜爱信息核算用户之间的间隔空间中的点越近越类似。

这样，广告主或渠道就能够根据与你类似集体的消费记载和喜爱、偏好给你引荐产品或视频，这也恰巧便是你喜爱的类型。

需求阐明的是：微信/淘宝们收集的行为数据不仅仅对应你的账号，更与你的手机仅有识别码绑定在一起——就算你不注册不登录，你的行为数据相同会被收集；一起，广告渠道也能够根据你的手机识别码在其他APP上为你投进广告，你在刷抖音的时分也能看到淘宝的AJ广告了！

总的来说，你的全部上网行为都会在手机上留下操作的痕迹（根底信息和行为数据），渠道收集到这些前史痕迹，进行数据清洗、结构化数据、建模剖析，核算出你的行为偏好，根据你的偏好或同类人的偏好向你引荐产品和内容。

这也便是为什么你刚在微信和朋友谈论AJ样式，刷大众号就刷到了AJ的广告，淘宝主页也惊喜般的呈现了AJ引荐——晚上刷抖音总是刷个不断，感觉刷到的每一个视频都有某个点能戳中自己。

那么，堕入回音室的怪圈又是怎样回事呢？

* 回音室怪圈：只引荐你有爱好的内容，让你触摸国际的鸿沟越来越窄，沉浸于自己营建的狭小的国际。

三、回音室怪圈的圈套，是咱们自己挖的

你现在的行为数据，将决议你将来会接纳到什么样的内容——从这个视点看，特性化引荐的成果彻底取决于你自己自身的倾向。

假如你刷抖音时能容纳那些和你定见不同的人，能耐性看完或谈论互动，那么根据特性引荐的机制，你的内容信息流中既有自己喜爱的内容，也会有自我认知之外的内容，不必忧虑特性化引荐会把你留在回音室里边。

相反，假如你只承受那些你认同的定见或人，不能容纳异己，将与自己观念不对等的内容拉黑处理；久而久之，你的信息流里就会只剩下你喜爱的内容，沉浸在自己打造的回音室里。

特性引荐仅仅根据你的习气做出的引荐成果，让你掉进回音室怪圈里的仍是你自己。

参阅书本：《特性引荐》

用例及图片来源于：回形针PaperClip