編輯導語：有人認為，智能推薦是一個偉大創造，是信息時代必不可少的工具。與此同時，有人急切的想要拒絕智能推薦，認為這種追蹤是對個人隱私的侵犯，也有人認為智能推薦會使我們獲取的信息越來越狹窄、越來越片面從而走進信息繭房。今天這篇文章中，作者就來為我們説説智能推薦的那些事兒。
智能推薦是非常重要的數據產品，是比較早期的實現了智能化、自動化的的數據產品。在現在的科技發展中，客服智能化了麼？沒有~優惠券？定價？都還沒有智能化，只有分發實現了智能化。
字節跳動做智能推薦很厲害，對公司的業務產生了巨大的變革，所以今天我們把智能推薦這個事情來講講清楚，讓大家明白明白。
二、智能推薦的背景用户越來越多，商品越來越多，那麼用户想要找到想要找到的商品也越來越困難，讓某個或某些產品在眾多產品中脱穎而出也是特別特別的困難，簡單的來講就是供需匹配，兩者無法匹配的上，所以怎麼辦呢？如何解決這個問題呢？
所以當前有這麼幾種解決方案，分別是搜索引擎、分類目錄和智能推薦，接下來我們就簡單介紹一下這三種解決方案的優劣勢。
1. 搜索引擎需要用户主動去搜索，這個是百度乾的事兒，但是這個時候是需要用户的目的性很強才行，要知道自己想要什麼，但是很多時候我們並不知道我們想要什麼東西，我也不想去絞盡腦汁去想我要什麼，只想放鬆，那搜索可以做到麼？做不到，可能搜索出來的東西並不是可以滿足我們的東西~
2. 分類目錄在這個裏面，我們要知道我們想要的東西屬於哪一種屬性，知道了之後才能去找，如果分類屬性選擇錯了，那就在當下這個錯的目錄裏面永遠也找不到我想要的東西。而且一旦我不清楚我自己想要什麼的時候，面對紛繁複雜的分類目錄，更是無從下手~
3. 智能推薦而智能推薦呢？我不需要用户提供明確的需求，我只需要根據用户的歷史行為去建模，然後根據他們的歷史行為判斷接下來的行為和喜好，去給用户做相對應的內容、產品推薦。所以當用户沒有明確的目的的時候，也可以幫助用户發現新內容。
四、智能推薦的機制
建立用户畫像，給用户打上事實標籤和模型標籤，什麼是事實標籤？就拿虛擬人物“小明”舉個例子吧！小明經常在某購物平台上購物，並已完善自己的個人信息，那麼平台就會把該信息收集，作為事實標籤。
- 姓名：小明
- 性別：男
- 身高：180cm
- 體重：70kg
- 愛好：看電影
- 職位：產品經理
- 目前所在地：上海
- 消費等級：極高（根據日常消費習慣判斷）
- 常看類型產品：高科技產品、數碼產品、大牌運動鞋
那什麼是模型標籤呢？就是系統可能會把一類人劃分為一個模型，他們的事實標籤可能會比較相似，這就是一個模型標籤。
我接着拿玉康舉例子：比如説系統給他們這一類人建的模型標籤名稱是“大款”，那可能別的某個大款看上了一個布加迪，加購併付款了，雖然孫玉康沒有看這個產品，但是可能布加迪及相關產品也會出現在孫玉康的推薦列表中。
2. 貨（內容）給內容或產品打上標籤，比如一個運動上衣，可能會有夾克、運動、長袖、外套等等各種各樣符合這個產品的標籤，並記錄這個產品的售賣數量，收藏、加購的數量等。
然後通過人貨模型，就可以知道，比如説：年輕的女孩子，喜歡口紅，包包、購物、逛街；年輕的男孩子，喜歡女孩子，喜歡手機、手錶、汽車，然後怎麼匹配呢？
3. 場就是在對應的場裏做匹配，比如説首頁、Feed流、導航欄、個人中心等等，在你想要的場景匹配上你所需要的數據。
然後我可能有了這個標籤的推薦方法，我把一個東西推給一部分人，然後這部分人很喜歡這個東西，那我就可以把這個東西推給更多類似的用户了，然後不停不停的去擴展流量，我就知道每個用户喜歡什麼東西了。
怎麼去採集啊？要去做埋點，要去記錄用户的數據。
比如説一個用户打開了我們的某小程序，他註冊的信息是什麼？他是幾點打開的，幾點關閉的小程序，查看了哪些頁面，瀏覽了哪些產品，每個頁面的停留時間是多久，用的4G還是5G還是WIFI啊，在哪兒？
這時候用户數據和行為數據都知道了，那什麼是內容數據呢？比如説抖音，億萬的人在抖音產生了千億條抖音短視頻，這些都是內容數據。
2. 數據整理採集到數據之後，就要把數據做標註，數據標註的類型有：圖片標註、語音標註、文本標註、視頻標註、道路標註、行人標註、人臉106點、圖像語義分割等。
然後有些數據是重複的，需要做合併，有些事無意義的數據，影響後面的數據整理，那就做數據清洗，把它幹掉等等
3. 畫像體系有了這些數據，我們就可以生成畫像了，就知道是什麼了。
畫像有人物畫像，也有商品畫像；我們繼續來説小明，比如説：小明，26歲，性別男，愛好看電影，喜歡吃小龍蝦，商品畫像其實就是描述這個商品的內容的東西。
4. 算法引擎- 協同過濾：比如説小明喜歡《數據挖掘導論》，小紅喜歡《三個火槍手》，基於 UserCF(用户協同過濾)，找到與他們偏好相似的用户，將相似用户偏好的書籍推薦給他們；還可以基於ItemCF(物品協同過濾)，找到與他們當前偏好書籍相似的其他書籍，推薦給他們。
- 隱語義模型：根據用户的當前偏好信息，得到用户的興趣偏好，將該類興趣對應的物品推薦給當前用户。比如，小明喜歡的《數據挖掘導論》屬於計算機類的書籍，那我們可以將其他的計算機類書籍推薦給他；小紅喜歡的是文學類數據，可將《巴黎聖母院》等這類文字作品推薦給她，這就是隱語義模型。
此外還有聚類模型等。
5. 推薦接口由於有這些底層的數據及算法，那就可以根據這些數據通過接口，在某些場景去給他們做分發，我們繼續來説小明，不僅喜歡吃老鄉雞，還喜歡打網球，彈琴，琴棋書畫樣樣精通啊。孫總打開手機的時候，我就可以在他的用户端的各個模塊下給他推薦他喜歡的東西了。
6. 底層規則控制及配置比如説我知道孫總喜歡吃老鄉雞，可是我已經給他推送了3天了，第四天我再給他推送，估計他就吐了，那我給他推送一波小廚娘，名稱就很符合孫總的審美，他是不是就很大概率會買呀，這個就是一些規則的控制與配置，最後通過重新得到的數據去統計分析。
7. 數據採集及畫像構建有些數據用户會手動填寫，有些我們需要根據用户的行為去分析、推測，還有一些 需要我們去埋點獲取。
8. 根據數據，構建用户畫像根據各個標籤，我們可以知道這個人的用户畫像。然後根據這個人是誰，我們就可以去查找他對應的信息有哪些，我們就可以根據用户畫像中的信息去推送他喜歡的東西。
我們把用户畫像和商品畫像丟到了算法池子裏，過來一個一個用户請求後，我們會先調用用户畫像，讓我看看你是誰？
然後我會再看看我有哪些東西，知道了這些後，系統會按照你的需求去做召回，把東西從庫存中拿出來，比如説我從熱點裏召回了500個，從興趣中召回500個，從TOP隊列中再召回500個，從很多隊列中召回。
比如説我們召回了1500個東西后，我不可能全給你展示，還是太多了，那我就會給這1500個東西評分，排出來個123，所以就會通過協同過濾去做一個排名，用RFM模型去做排序。這是第一次排序。
然後會根據一些運營規則和玩法再去做一次排序，為什麼要做兩次排序呢？因為計算量太大了，所以要做兩次排序。排序之後，就是對每個人做一個千人千面的展示了。
六、冷啓動的問題為什麼是智能推薦系統？因為他有很多的數據去支撐你的整個系統，但是如果沒有數據該怎麼辦呢？這個時候就需要做冷啓動了，冷啓動常遇到的問題分三種：
- 用户冷啓動：主要解決的是如何給新用户做個人化推薦的問題？
- 物品冷啓動：主要解決如何將新的物品推薦給可能對它感興趣的用户這一問題；
- 系統冷啓動：主要解決如何在一個新開發的產品上（還沒有用户，也沒有用户行為，只有一些物品的信息）設計個性化推薦系統，使網站剛發佈就讓用户體驗到個性化推薦服務這一問題。
常見的冷啓動方法，如下圖：
然後我們評價我們的系統是不是一個NB的系統，就需要建立一個指標體系，怎麼建立這個指標體系呢？需要從三個維度來建立，第一是人的維度；第二是貨的維度，第三就是場的維度。
1. 人的維度怎麼評價一個推薦系統做的好不好呢？要看的是人均展現，就像女孩子逛街一樣，你開心你就多逛一會兒，不開心可能逛一會兒就結束了，看你吸不吸引她。
人均點擊就是她點進去這個產品查看了，閲讀時長（消費）指的就是這個東西符合他的口味，比如一本書，肯定是閲讀時間越長，越能表現這個這個書越符合人的口味，我推薦的東西，肯定是他買的越多，説明我們的系統越好。
她逛了多少家店，看了多長時間，買了多少錢，肯定是推薦系統越好，推薦的東西越符合他的品味，她逛的時間就越長。這個東西都是成正比的。那Dislike就是你不喜歡這個東西，不點擊，如果dislike率太高的話，那就説明我們的系統還是不太NB的。
所以説在對人的維度：是C端的維度，我們要考慮的是滿足用户的需求。
2. 貨的維度，比如我哪些品類被曝光了，哪些品類被賣出去了這個要看的是每個單品商品的拉新、留存、轉化能力。
為什麼要説貨的維度呢？是為了建立一個穩定的生態，比如説抖音，就那麼幾百個人火，其他人發了都不活，那麼長此下去，還會有其他人去發抖音了麼？不會了。
比如説漂亮小姐姐發啥都火，人均點擊量就是特別高，那我是一個糙老爺們兒，我沒有那麼美麗的皮囊，但是我有內涵，我在抖音上講乾貨，我的抖音沒人看，我發了幾次，一直沒人看，那我就不發了。
所以在算法上，為了生態平衡，為了生態的健康，系統也會給我一些流量，讓我的內容有點點擊率，也利於刺激我去做內容，從而擴大整個系統的生態。
所以在貨的維度上：是B端的維度，是為了要滿足生態的穩定性。
3. 場的維度、平台的推薦機制等我建了多少隊列，隊列是不是多樣的，覆蓋的內容是不是夠廣，內容時效性是不是夠強，不能説都2020年了，我給你推2001年911恐怖襲擊是吧？
還有我們的內容是不是低俗低質量的，比如什麼我推的都是什麼咪蒙文《港囧：鬥小三的正確方式是，你要有很多很多的錢》、《如何科學的搞死渣男老公和小三》，都是很吸引人點擊的內容，但是畫風就很難看，所以為了持續的生態，平台也要去打擊屏蔽類似的內容、字眼。
內容聚集度指的是：top100的內容佔全部內容的比例，比如説我抖音top100的內容的播放量佔了全部內容播放量的80%，説明大部分用户只看頭部內容，那生態就是不健康的，我們還是希望是把流量平分給各個哥們兒。
但是各個平台內容是不同的，比如説抖音主要是把流量分配給各個MCN機構的，但是快手的算法是把流量分配給各個老鐵的。大家可以試試，你去抖音發和快手發同樣的一個視頻，快手的播放量大多數是要超過抖音的，因為抖音的算法，除非爆款，不然他是不會把流量分發給你的。
而快手的Slogan是“快手，記錄生活”，是一個記錄生活的地方，他的流量分發是相對比較平均的。抖音為了讓大家的使用時長提高，廣告的轉化率提高，所以會推薦一些精品的內容，但是精品的內容製作是需要有團隊的，或者説門檻比較高，我們普通人制作不出來，所以內容聚集度就高了。
八、智能推薦還有哪些延伸？比如説用在PUSH上，在大麥APP裏，你平時關注的音樂會，我平時關注的是演唱會，那可能系統給你推薦的就是《【南京】【跨年場】《維也納施特勞斯之夜》新年交響音樂會》，給我推薦的可能就是《【南京】汪蘇瀧大娛樂家演唱會-南京站》。
比如説智能客服，同樣都是買東西遇到了困難，你是的手機維修，我的是家電維修，咱們兩個收到的內容也是不一樣的。
比如説智能營銷，孫博士在系統裏是機械學院的老教授，張博士在系統裏是生物學院的老教授，那系統給他們發送的內容，給孫博士發的就是機械相關的內容，比如説機械相關的產品，相關的會議。給張博士發的就是生物相關的產品和會議等。
再來説智能搜索， 智能搜索會根據每個人搜索的歷史記錄不同，所在國家、地區的不同，展示不同的搜索結果，現在谷歌，百度等搜索已經是了，比如説百度，你在南京搜醫院和你在北京搜醫院，展示的內容肯定是不同的。
此外還有什麼東西可以用到智能的個性化的產品，大家可以自己在工作之餘想想。
本文由@孤獨的美食家丿 原創發佈於人人都是產品經理，未經作者許可，禁止轉載。
題圖來自Unsplash，基於CC0協議