原创 给运营编辑看的推荐系统说明书

Posted 2021-05-01 总师

(回顾)

随着内容信息流的的形式已经被普遍接受，对于一个内容型app甚至各种app，个性化推荐系统已经变成了标配。现在我们提到推荐系统，首先都能想到今日头条，的确虽然feed和推荐都不是今日头条发明的，但它却把这个人设发挥到了极致，导致后面跟随了无数“xx头条”的模仿者。但如果在十几年前，提到推荐系统，大家都会提到另外一家公司“Netflix”，现在他已经是一家超级媒体公司，很多电影前面都有NFLX，就是他家出品的。其实Netflix成立于1997年，最开始是一家在线影片租赁提供商，主要提供Netflix超大数量的DVD并免费递送，允许人们在线选购影片，并由公司负责送货上门，还带着DVD机，就像点个海底捞外卖一样。为了提升业绩，Netflix当然会根据顾客以往的浏览记录和租赁记录来提供相应的内容推荐。最让Netflix和推荐系统声名鹊起的是，2006年，Netflix宣布将100万美元奖励给第一位能够将其推荐系统的准确率提升10%的人，并且只要该比赛还在进行，公司就会将每年5万美元奖励给当年的第一名。消息一公布，世界各地的团队无不踊跃参与，纷至沓来。最终，历经三年时间，前后一百八十多个团队的较量，一支名叫“BPC”的团队率先突破障碍，以10.06%的改进效果获得了这份百万大奖。而通过这次百万大奖赛，对Netflix而言，既升级了自家网站的算法，并带来了大笔收入；又在程序员的圈子中塑造了公司形象，发掘了无数优秀算法人才，可谓一举多得。

(继续)

已经查不出最早的推荐系统来自哪，它发扬光大于电影网站，所以现在很多数据集仍然是电影数据集。其他典型的应用场景，音乐，购物，新闻资讯，交友，短视频。其中电影和音乐已经很少听说个性化推荐的作用了，其中一个原因是，商品的量本来就不是很大，用baidu查了movie.douban.com的索引量，四百多万，其中还包括影评页面。根据媒体公布的信息，2019年国内电影产量1037部，以此推断全世界一年的电影总产量不会超过5万部，赶不上新闻资讯和短视频一个小时的产量。推荐系统最重要的一个作用之一就是解决"信息过载问题"，当然是内容越多，用户越难以找到想要的内容，也越能体现推荐系统的重要性。

后面会和大家从运营视角解读推荐系统，个人一直认为推荐系统实际上是一个运营型产品，运营在推荐中起到的作用要高于程序员，很多策略和特征更需要运营思维，如果一个研发团队推荐做得好，也说明了这个研发团队比其他人更懂运营。针对运营人员的知识背景的特点，后面会分几个章节分别给大家介绍。

一、内容检索

如果给程序员看，当然一定要先说协同过滤。但为什么把协同过滤放在第二章呢？因为是给运营看的么，当然内容优先。另外一个重要的原因，检索要比协同过滤的可解释性更强，也符合时间发展顺序。

二、协同过滤

也就是大家经常听到的CF，全称Collaborative Filtering，看完本章，以后再听到看到cf这个词就不会再被忽悠了，现有的推荐系统几乎全部都是围绕着"协同过滤"转的。这里留一个问题：“协同过滤”为什么叫“协同过滤”呢？请看第二章。

三、内容描述

电影、音乐、购物甚至交友的那个商品的属性都是客观存在的，例如导演，主演，类型，年代等等；也有很多资料库，例如imdb，豆瓣，猫眼等等。新闻资讯和短视频的属性描述就全靠作者或者编辑运营了。给内容评级和打标签一直是一个有争议的工作，可大家要知道没有标签，推荐系统是不能工作的。

四、数据指标

人总是要被正向激励的，那我们什么时候能看到我们工作的成果，和如何评价我们工作的好坏呢？

五、其他

补充一下运营同学可能被忽悠的地方和一些专业名词，其他容我再想想。

希望这个系列能给在运营一线的同学对推荐系统做一个解读，人工智能不断的发展，很多基础工作可能会被机器取缔，但我相信运营不会，我一直认为运营是一个富有挑战的岗位，做着具有创造性的工作。所以我们要更加了解机器是怎么运转的，能够利用机器的创造出更有价值的产品。

(待续)

什么是推荐系统

推荐系统通过分析用户的行为，找到用户的个性化需求，从而将一些长尾商品个性化推荐给相应的用户，帮助用户找到自己想要但难以被发现的商品。