編輯導語：在互聯網的大數據下，很多功能和信息是通過算法進行推薦的，比如每個人的淘寶推薦裏，可能都是一些自己感興趣的東西，這就是根據推薦算法做到的。對產品經理來説，瞭解推薦算法也是其工作內容之一，本文作者結合思維導圖對推薦算法進行了梳理説明，我們一起來看一下。
在網絡信息時代的時代，大數據、算法為用户推薦方面提高精準的效率，可以更加快速、更加智能的幫助用户在海量的內容中，顯示符合用户選擇、貼合用户喜好的內容。推薦的發展，讓用户可以更加“明確”他們的喜好，也可以讓平台更加“瞭解”他們的愛好。
但如果不懂算法，那麼怎麼辦呢？難不成還要我去寫代碼？我現在從新開始學習還來得及嗎？其實作為產品，如果懂一些計算機原理、代碼會更好，但如果不懂，那麼從業務方、應用場景、功能需求上面來説，我們還是可以做一些業務功能定義，並且也能和算法工程師進行友好溝通，不至於出現血光之災。
一、關於推薦的幾個定義根據用户行為的推薦（對大眾用户給出/平台想要給的推薦），在內容產品和社交應用中，主要採用引導用户選擇+根據用户畫像匹配為條件，為用户進行推薦，達到更加精準的目的。
1. 標籤給商品定義標籤，有利於對商品進行分類，給商品做好區分定義。因為存有商品標籤，因而能夠讓我們一目瞭然地看到商品的相關信息，而且能夠，輕鬆快速地進行庫存掃描，定義其歸類，在向用户推薦時，可根據商品的標籤和用户想要找的關鍵詞進行匹配，提高算法的效率和準確度。使用標籤給商品打標的好處是，不光給商品做了歸類的維度體系，同時還對商品的自定義屬性來配置個性化的管理維度。
提供一個搜索功能，用户在搜索入口，針對性的對想要了解的內容輸入關鍵詞進行搜索。比如購物平台中，用户一般通過商品關鍵詞+輔助性詞語給商品做一個標籤定義，平台根據關鍵詞匹配商品名稱（或屬性）來縮小搜索範圍，展示符合用户搜索要求的商品。
為什麼説我們要定義屬性，因為要對你的商品做分類，用於區分。比如你去購物有3C、有生鮮、有日用品；你去看書有人文、有歷史、有成人文學（lsp都懂得）；你去看電影有搞笑片、有戰爭片、有愛情片。
根據屬性進行屬性點分類，可以幫助平台進行區分，或幫助用户更快地分類找到對應的商品。例如：我們通過分類來找書，先選擇男頻—玄幻，然後在選擇VIP—完結—300萬，得到對應的書籍。如果沒有分類，那會出現一個問題，商品很亂，你本來是要看小説的，結果一直給你推薦建築學的書，這豈不是很糟糕。
顧名思義就是展示量最多的產品，系統會按照熱門的場景進行分類。比如現在過年，城市不能放煙花，那麼觀看其他人放煙花的需求就會很多，如果在熱門推薦中在加一些屬性，比如男神放煙花，獲獎煙花大賽等，那麼對應用户觀看時，用户會更加沉澱在其中。
基於用户感興趣的話題，基於當前場景進行分類，既增強了用户的身份認知，同時還對場景進行結合，引導話題持續活躍，將人、場景、商品、屬性串聯起來，形成話題導向。
針對購物應用和短視頻應用，就是看用户在界面上，是否有滑動、持續瀏覽、點贊、加入購物車、送禮等行為，用來對用户的操作進行加權平均。
那麼對於讀書類軟件要怎麼操作呢？用户也不會在上面持續的有動作啊，又不是打遊戲。可以根據用户瀏覽時長，給用户對單個詞予以評論的功能，觀看用户是速讀，還是思考性閲讀進行定義。
單體關注：在短視頻應用中，喜歡單個視頻，可以點贊。那麼系統就記錄了，該視頻的屬性，給用户後續推薦視頻時，會對該類屬性加權。但這裏會出現一個情況，比如美食類的博主，我看了一堆，但只對這一道菜有興趣，那麼我就單獨給這個視頻點贊。
主體關注：喜歡這個明星播主，點擊關注，那麼後續會經常收到該明星的視頻推薦。不侷限於該播主是否更換風格，會針對主體進行推薦，推薦該主體下的最新視頻。
兩者是相互結合的，若系統發現該播主更換了風格，每次推薦給用户，用户會馬上划走，那麼就會給播主對該用户降權。1是減少推薦，督促播主進行調整。2是將該播主調整後的風格推薦給其他屬性匹配的用户。
7. 推薦前面已經講了熱門，這裏為啥還要再講一下推薦呢？按照場景來區分，這是兩件不同事件，分別對應兩種操作。
（1）系統在內部算法統計時，發現有些新出的應用，很符合當前用户的匹配，但因為某些原因，達不到顯示給用户的條件，那麼系統會調整推送的比例，把當前這一“符合”條件的內容，推薦給用户，然後觀看用户的反饋，是深度查看還是直接划走，用於修正對用户評判的數據。
（2）系統需要針對某些特定條件主動出擊。比如廣告金主爸爸來了，需要給20-40歲的男性推薦寶馬車，那麼所有人進來的第一個視頻就是要先看到寶馬車，然後在從這些20-40歲的男性用户中，劃分出那些經常會看和車相關的內容，繼續推薦第二波。
為什麼要有推薦這個事情呢，因為很多的應用平台，都存在一個類似中介的枚舉。化妝品公司需要消費者，品牌需要顧客，那麼那化妝品公司會通過平台找到 KOC 「Key Opinion Consumer 關鍵顧客」，寄一些新的產品，然後幫他們在平台上發自己的試用報告。
在這裏，我們適當的把人工智能的知識引入，通過計算用户畫像的標籤，得出較為精準的推薦結果，減少搜索次數，提升搜索效率。評估個體能夠找到最優解，使用自適應的交叉和變異能使最優解儘快收斂。
二、個性化引擎推薦1. 精準推薦我們在做搜索時，常提到一點：根據用户的口味和喜好給出更加精準的推薦，幫助用户快速精準的找到想要購買的商品。這裏有一個重要的條件是：個性化推薦算法是基於用户的靜態信息和動態行為信息來全方位推薦。
靜態信息：根據用户自身屬性-性別、年齡、收入、購物時間、價格等，分別對應進行推薦。比如用户是男性、25歲、月收入五千、瀏覽購物的時間基本在10點過後，價格不太敏感，那麼用户在搜索鍵盤時，可以優先推薦羅技、雷柏這些大眾品牌的，價格合適，針對性強，品牌也比較響亮，質量還不錯。
動態信息：通過用户的搜索歷史、瀏覽記錄、購買記錄、物品評價記錄等，給用户屬性進行標籤定義。同樣條件是：用户是男性、25歲、月收入五千、瀏覽購物的時間基本在10點過後，但用户的搜索關鍵詞有機械、鍵盤帽，那麼就可以針對用户推薦更加精細化的產品，比如：CHERRY櫻桃、外星人。
這些詳細的數據源形成有價值的用户消費行為大數據，大數據基礎上建模應用提升了推薦效率，更加為平台增加了粘性。
2. 做推薦時，可考慮三類推薦機制（1）用户畫像模型統計推薦
根據用户基本信息發現用户相關度，簡單的根據系統用户的基本信息發現用户的相關程度，然後將相似用户喜愛的其他物品推薦給當前用户。比如抖音目前有海量的用户瀏覽喜好數據，用户羣體的劃分比較容易推薦相似視頻。但是抖音推薦沒有大量用户消費的元素，那麼只能通過直播時用户的購買、商品屬性、品牌效益、價格因素來做定義。
在這裏還需要通過複製商品鏈接到其他社交平台進行商品共享從而形成口碑傳播，從自身平台上形成購物鏈路較為薄弱，即時是現在一直在打造自身的購物屬性。（不含用户隱私數據）
（2）基於內容元數據建模的推薦
根據推薦物品或者內容的元數據發現物品或者內容相關性，發現物品或者內容的相關性，然後基於用户以往的喜好記錄，推薦給用户相似的物品。比如經常看遊戲的用户可以推薦遊戲外設，經常看吃播的用户可以推薦美食，但經常看妹子的用户就只能持續推薦妹子了，LSB又窮又沒文化~
（3）基於協同過濾的推薦
根據用户對物品或者信息的偏好，發現內容或者物品本身相關性、發現用户的相關性。這條和上面較為相似，但會用到用户協同過濾算法和基於物品的過濾算法來進行數據匹配。就比如經常看遊戲的這個用户，實際是個小朋友，你推薦了一款專門打遊戲的手機給他，沒有效果。那麼我可以推薦另外一個遊戲下載，通過遊戲下載來進行用户轉化。
3. 多數據混合推薦採用多種推薦機制將結果分不同的區顯示給用户。現在越來越多的應用，都在猜測用户，得到用户反饋的結果也較為準確。這個精準，可以通過下面3點來進行分析：
（1）當你進入一個新的應用時，應用會先詢問你喜歡什麼，比如攝影、看書、遊戲、美食、明星、電影等，當你做了選後，根據你註冊時提供的用户基本屬性，去匹配喜歡區域的內容。基於用户屬性的推薦，系統會組織其他用户反饋喜歡的內容進行推薦，並且實時更新數據。這裏還會在做新的推薦，還會做幾組不同屬性的內容識別用户的操作，看用户是深入觀看，還是迅速划走。
（2）推薦的用户選擇屬性的內容，基於協同過濾算法，然後在根據用户最近瀏覽的內容、瀏覽長時間的內容、進行互動操作的內容向下推薦，匹配出和用户相關的內容，幫助用户選擇喜愛觀看的內容。比如商品，那麼推薦同類屬性的商品，基於不同的品牌、價格、規格，節省用户對於商品的查找時間。
（3）同時對內容進行標籤定義，根據上面用户的屬性匹配，按照匹配度，從上到下進行精準交錯推薦。同時還要適當的推薦一些超出用户屬性以外的內容，一方面是減少用户的審美疲勞；另外一方面高標準的推薦，可以給用户更新的選擇。
思考是一個產品人的基本要求，對於自我提升非常有幫助，畢竟1000個優秀產品人就有1000套獨特的工作方式。如何把自己的成果有效的展示出來，並且凸顯出來，這就非常考驗產品人的文字功能了。
做產品需要掌握一套有效的方法論，無論是前輩總結出來的aarrr、kano、mvp還是自己定義的先規劃，在調研，然後讓用户試用後反饋，這都是需要有針對性、有目的性的去做執行，然後將內容進行提煉並且轉化為自己的核心價值。對於產品人來説，要全面高效的獲取各方面的知識，讓自己全面發展、快速成長，這點是非常重要的。
做產品容易，做一個好的有價值的產品，這個就很有難度了。
本文由 @老虎~色 原創發佈於人人都是產品經理。未經許可，禁止轉載
題圖來自Unsplash，基於CC0協議