一、背景
二、算法推薦系統的兩個核心
1.內容標籤
2.用戶標籤
三、如何衡量推薦系統的好壞
四、總結
一、背景
在紙媒時代，消費者對於信息和內容的獲取，處於十分被動且匱乏的狀態。
一張報紙、一份雜誌，雖然「千人一面」，但許多人仍然愛不釋手，翻來覆去。
隨著網際網路時代（特別是移動網際網路）的到來，信息如同《三體》裡「技術爆炸」一般，呈現出「信息爆炸」的狀態。
每天以EB為單位的信息量誕生在網際網路的每個角落。預計到2025年，全球每天產生的數據量將達到491EB（1EB=1024PB=1048576TB）。
在這種情況下，消費者對於信息的獲取無疑變得更加的主動且豐富。
但豐富，並不意味著有效。
紙媒時代尚且有專業的編輯對內容進行篩選、排版後「分發」給消費者。
但對於網際網路產品來說，即使內容再豐富，用戶如果不感興趣也是無效內容。
「效率」始終是商業社會的本質之一。低效意味著隨時有可能落後或被淘汰。
為了解決這一問題， 淘寶最早再在2013年提出「千人千面」的概念。
依託淘寶網十年發展積累下來的龐大資料庫，從細分類目中抓取那些與買家興趣相匹配的商品，進行優先展現。
而每個在淘寶網上購買或是瀏覽過商品的消費者，都會被平臺打上標籤，比如年齡、地域、客單價、收藏偏好等。
標籤的不同，在千人千面模式下，用戶所看到的產品自然就會有所差異。
更有效率的內容分發方式，由此從野蠻生長進入到精細化運營的時代。
到了以「算法驅動」為核心理念的張一鳴手裡，今日頭條、抖音等產品更是在這種理念下飼養出來的洪水猛獸。
因此作為一名網際網路人，即使不用動手去寫編程算法，但了解相關算法知識、懂得相關內容分發與推薦機制背後的基本原理，也有利於更上一個認知的新臺階。
二、算法推薦系統的兩個核心
（一）抖音為何讓人如此上癮?
許多人或許會有這樣的體驗:
在不同的場景下（在家、地鐵、公司）、不同的時間點(早上、中午、晚上)，即使是同類型的電影，實際上所接收到的內容也略有差別。
例如白天大多會收到比較幽默的內容，而到了晚上則會收到略帶懸疑的影視剪輯片段等。
而無論是什麼時候打開抖音，它都能讓用戶沉浸其中，似乎感覺不到時間的流逝，往往一下子能過去一兩個小時。
你會發現抖音似乎很懂你，因為給你推送的內容全都是你喜歡看的。
拋開抖音的產品設計、沉浸式消費體驗、短平快的內容節奏等，這其中還涉及到算法推薦機制和運營策略等因素。
而內容的個性化分發，本質上用一句大白話就可以解釋:
讓喜歡看妹子的用戶，看到含有妹子的內容。
但在現實環境中，放眼網際網路，能把這句話做好的公司其實沒幾個。
那麼問題到底難在哪裡呢?
（二）給內容打標，沒有想的那麼簡單
給標籤定義難，給內容打標也難。
在給一篇內容打上標籤之前，首先需要做的是給標籤做定義。
即講清楚什麼是蘋果，什麼是梨，而不是把蘋果叫成梨。
一篇內容通常包括一級分類、二級分類、三級分類、標籤等幾個層次。
如動漫>日漫>火影忍者>鳴人等。
對於這些具有普遍性認知的分類跟標籤來說，通常比較好下定義。
但是對於搞笑、美女這樣的標籤，則因人而異。
因為每個人的笑點不同、審美不同。
到底什麼內容才算好笑、多好看才算美女?
蘿蔔青菜各有所愛，打標還沒開始，就先卡在定義上面。
這裡其實就涉及到兩個概念——實體標籤跟語義標籤:
1.實體標籤
廣州就是廣州、上海就是上海;馬雲就是馬雲，淘寶就是淘寶。
他們都是確定的實體，通常在不同人那裡不會產生太大的歧義。
2.語義標籤
如沙雕、美女、奇葩等詞，並沒有確定的指定對象。
在不同人那裡會有不同的認知，因此打標難點通常出現在語義標籤的定義上面。
語義標籤的推薦效果是檢驗一個公司NLP（自然語言處理）技術水平的試金石。
不同公司根據其業務能力或需求的不同，對標籤顆粒度的要求也不同。
比如有的公司拆分到火影忍者就不往下拆了，直接把這個詞當作最小顆粒度的標籤。
所有涉及到這部動漫的內容都可以打上這個「火影忍者」標籤，但是難免有種一刀切的感覺，對後續的運營工作也有影響。
比如有的用戶想看、或者想搜索「鳴人」，結果推送的、搜索出來的全都是「火影忍者」裡面的其他人。
而有的公司則繼續往下拆:例如拆到火影忍者>鳴人、佐助、小櫻等實體標籤。
因此可以看得出:標籤顆粒度越細，推薦的內容越精準，同時所需要投入的資源則越多。
OK，即使把整個公司的打標團隊拉到一個會議室裡面，大家通過統一培訓、講解，一個月後大家終於對什麼才算是美女有了一個統一的認知，審美逐漸相同。
那麼打標就可以順利開展了嗎?NO!
讓我們先喝口水緩一緩，然後再接著往下繼續聊。
（三）用戶標籤:可能是最難搞的部分
1.用戶口味就像個難哄的女朋友
比內容標籤難度更大的便是用戶標籤。
因為火影忍者就是火影忍者，一旦打上這個內容標籤，它就不會變成海賊王。
內容標籤尚且可以通過人工打標+機器訓練的方式進行。
用戶不一樣，可能這個月他喜歡看火影忍者，算法推薦機制也給他匹配了相關的內容。但是下個月他可能因為朋友或同事的推薦開始看海賊王了。
如果算法還沒反應過來，繼續給他推送火影忍者的相關內容，此時這些內容對他來說便是無效內容，從而影響了內容的分發效率。
好比胡蘿蔔一直是胡蘿蔔，但是用戶的口味卻一直在變化。
今天想喝湯，明天想吃肉。
這裡其實涉及到「推薦窄化」的問題，算法機制越差的產品，其推薦的內容越容易出現窄化。
如不小心點擊了幾篇文章，算法便默認你喜歡這一類內容，此後便一直推送相關信息，無法做到根據用戶的需求變化進行靈活更迭。
儘管在這個時代，無論使用哪一款內容產品，都不可避免的會出現「信息繭房」的現象，但成熟的NLP技術與初級之間，實際的產品體驗效果仍是天差地別。
2. 掌握用戶的基本信息
在做用戶標籤之前，需要先掌握跟用戶相關的信息，通常包括性別、年齡、地點、興趣偏好等。
1）性別有助於分發性別屬性較明顯的內容:如給男生推送體育、給女生推送美容護膚;
2）年齡也同理:給年輕人推送動漫、遊戲等內容，給老年人推送養生、健康信息等;
3）地點則用於推送與區域熱點相關的信息:如給上海用戶推送上海突發新聞，北京限行對於廣州用戶似乎沒有多大影響。
以上三者通常可以通過用戶自動填寫、授權訪問位置信息的方式獲取，且不會有太大的變動。
3.掌握用戶興趣偏好
對於用戶興趣偏好，如上所說，則是做用戶標籤的難點所在。
獲取用戶興趣偏好採用的方式，是根據用戶消費過的內容匹配相應的標籤，通常採取以下幾種方式進行定位:
1）過濾噪聲:如用戶被標題黨內容吸引進去，但是停留時間過段，則說明用戶對該內容所綁定的標籤不感興趣，以此來過濾標題黨;
2）熱點降權:對一些社會熱點、突發新聞（如某明星出軌），雖然短時間內用戶瀏覽了相關信息，但並不能說明該用戶一定對「娛樂」內容特別感興趣，需要對該用戶的「娛樂」興趣偏好進行降權處理;
3）時間衰減:如上所說，用戶的興趣會發生偏移，因此推送策略需要更偏向於新的用戶行為;
4）懲罰展現:如果一篇推薦給用戶的文章沒有被點擊，則該內容的相關特徵（如內容分類、標籤）權重會被降低。
舉一個十分簡單的例子:
如某新註冊用戶（女，25歲，上海）在刷抖音時，算法採用A-A、A-B的方式進行測試。
首先連續推送兩條影視剪輯內容（A-A），用戶都完整觀看並有點讚、評論等操作;
其次推送影視剪輯後推送母嬰內容（A-B），用戶只觀看了影視剪輯內容，卻划走了母嬰內容。
那麼則說明用戶對「影視剪輯」這一內容的興趣偏好度較高，對「母嬰」標籤內容興趣偏好較低。
4. 不同內容類型的推薦權重
我們都知道對於綜合型平臺而言，內容通常不止一種類型，如今日頭條便包含了長圖文、小視頻、短視頻、問答、微頭條等幾種不同形態的內容。
即使是同一個標籤，如「美女」，不同內容類型的推薦權重是否一樣?這也是算法推薦機制需要考慮的問題。
三、如何衡量推薦系統的好壞
內容推薦的準不準，通常可以直接從數據上去分析。
CTR（點擊率）、消費時長、點讚、評論、轉發數等「可量化指標」。
如Y=F（X1，X2，X3），Y代表內容可被加大曝光的權重，X代表點讚、評論等實際參數。
評論數的影響權重通常大於點讚權重，不同平臺由於產品差異對於參數的權重設置也有所不同。
而不同的用戶因其帳號「置信度」的差異，即使點讚了同一條內容，對該內容的影響權重也有差異，如某知乎大V點讚跟普通帳號點讚的權重顯然是不一樣的。
但有時數據也有缺陷。如對於低俗、標題黨、涉黃內容，如果短時間內吸引了大量用戶點擊瀏覽，那麼算法能判定其為好內容，並加大推送量嗎?
答案顯然是否定的。
因此通常需要打壓降權的內容主要有以下幾種:
1）廣告、低質搬運內容打壓;
2）涉黃、低俗噁心內容打壓;
3）標題黨、低質帳號內容降權等。
基於社會責任感和政策法規等因素，平臺需要對該部分內容進行打壓、降權，而對重點時事新聞進行置頂強插，如打開新聞APP都會看到置頂了習大大的相關文章。
這些都是算法無法獨立完成的，需要運營配合進行。許多資訊平臺都會有專門的首頁運營小組對內容進行人工幹預。
大多數APP日常通知欄PUSH的內容也是採取算法+人工的方式進行推送的。
四、總結
回到開頭所說:要讓喜歡看妹子的用戶看到含有妹子的內容。
這句如此簡單的話想要實現它，需要做到:
1. 內容標籤的準確定義、準確打標
因為不同的人對於同一個語義標籤會有不相同的認知。
2. 用戶標籤的準確匹配
清楚用戶對於哪種「妹子」興趣偏好度更高:是長髮妹子?還是短髮妹子?是南方人還是北方人等等顆粒度更細的拆分。
用戶標籤是建立在內容標籤打的足夠準確的前提條件之上的，一步錯則步步錯。
如果內容標籤無法準確判斷，那麼基於內容標籤建立起來的用戶標籤也是不可信的。
3. 算法訓練
要想訓練機器能夠自動打標，往往一個「標籤」就需要訓練幾個星期的時間。
通常採用抓取標題關鍵詞的方式打上內容標籤，但有時標題與文章或視頻裡面所有表達的內容其實有很大出入，因此打上的標籤很有可能是不準確的，需要人工進行覆核，判斷其準確率。
綜上所述，如今算法分發幾乎已經是所有搜尋引擎、資訊軟體、內容社區、社交軟體等產品的標配。
算法代表著用系統的方法去描述、解決問題的策略機制。
因此無論你是一隻產品汪、還是一隻運營喵，了解了內容平臺的基本算法原理，無論是對於產品推薦機制的設計，還是對平臺運營策略的構建，都能有所幫助。