浅析内容推荐体系如何构建(2)

举例：我是一个喜欢摇滚音乐的用户，不经意间听了几首纯音乐，我们并不能一刀切的认为用户的喜欢倾向由摇滚转为轻音乐，而是应该记录下这种行为，在策略里不断试探尝试用户兴趣，持续推荐不同内容，从而判定用户真正兴趣。

在推荐系统里，我们通过用户画像需要解决的是用户喜好倾向的问题，但用户的喜好倾向不是一成不变的，除了要做到数据的持续收集，在判定用户兴趣时，用户的短期兴趣倾向和长期兴趣倾向需要做策略的融合。持续对两种维度的权重调权，从而得到最优解。

举例：我是一个喜欢摇滚音乐的用户，不经意间听了几首纯音乐，我们并不能一刀切的认为用户的喜欢倾向由摇滚转为轻音乐，而是应该记录下这种行为，在策略里不断试探尝试用户兴趣，持续推荐不同内容，从而判定用户真正兴趣。

解决了物的问题，又解决了人的问题，现在接下来的最后一步就是，我们如何把物交付到人的手中。

在做推荐之前，我们需要做的一件事就是：数据的收集、上报。不同于上述内容质量和用户画像的数据统计维度，应用于推荐的数据统计维度更多，是两者的超集，除此以外，一些操作系统、app版本、网络环境、用户操作访问路径的分析，漏斗的模型的转化….等等都与推荐行为息息相关。此处关于数据上报的维度需要针对不同平台，不同推荐业务，不同场景做具体问题具体分析。

关于一心想求推荐系统算法公式的同学，可以去抱算法工程师大腿了，此处不做详细罗列，只来聊聊我所理解的推荐的一些原理，毕竟产品经理的数学和算法工程师比起来，基本30分到40分水平….

我把每个用户想象成一个独立的点，每个用户背后都带有各种各样的用户属性，我们把具有相同属性的用户之间建立一条连线，众多的用户其彼此间的连线也错综复杂，由此形成了一个独立的用户面。同样的原理，把每条内容也想成一个独立的点，每条内容背后也都带有各种各样的内容聚类标识，我们把具有相同类别的内容之间建立一条连线，众多的内容间的连线也错综复杂，由此形成了一个独立的内容面。

有了“用户面”和“内容面”的概念以后，我们的每一个用户之间都彼此产生着联系，每个内容之间也都彼此产生着联系，那如何把我们的“用户面”和“内容面”打通，其实就是所谓的用户行为。我把用户行为比做“通道”通道用于连接“用户面”和“内容面”，每一次用户行为，都是两个面之间一次数据的传输交流。至此，两个面之间互相打通，形成了一个三维模型。这个三维模型建立在数据之上，每时每刻任意两点之间都在进行着数据传输，因为彼此间相互联系，一个用户的行为可能最终影响周围多个用户的结果，类似蝴蝶效应。

说完推荐，还有一点不得不提的就是“a/btest”和“关于a/btest，适中要遵循一个原则，明确目的，保持变量唯一。所有的推荐都是持续的过程，不同的推荐算法需要时间学习矫正，a/btest就是很好的辅助工具和方法，关于如何构建a/btest系统，此处不做详细说明，只阐述其重要性。

文章纯属个人观点，只阐述了部分方法论，而没具体到落地可执行的层面，老鸟可自行略过。

作者：黑白键，1岁产品经理

文章作者系 @黑白键未经许可，禁止转载。

注：相关网站建设技巧阅读请移步到建站教程频道。

（编辑：ASP站长网）