網(wǎng)站推廣內(nèi)容推薦體系如何構(gòu)建？

    所謂的“內(nèi)容推薦”，把主語謂語賓語補(bǔ)充完整之后就是“系統(tǒng)把內(nèi)容推薦給用戶”，那推薦系統(tǒng)如何構(gòu)建，說白了就是要解決“什么樣的內(nèi)容推薦給什么樣的用戶”的問題以及“如何推”的問題。那么，網(wǎng)站推廣內(nèi)容推薦體系如何構(gòu)建？

    針對引文中的兩個問題，可以總結(jié)為以下三個點(diǎn)

    我們推什么樣的內(nèi)容——what我們推給什么樣的用戶——who內(nèi)容如何推薦給用戶——how一、內(nèi)容篇

    說到內(nèi)容，先不著急解決“推什么”的問題，在這之前，我們首先要分析我們擁有什么內(nèi)容，這些內(nèi)容是如何產(chǎn)生的。

    目前互聯(lián)網(wǎng)內(nèi)容信息的載體主要分為以下幾種：文字、圖片、音頻、視頻。而生產(chǎn)這些內(nèi)容的用戶大體又可分為兩種，一種是專業(yè)從事內(nèi)容生產(chǎn)的PGC用戶，一個PGC用戶的背后往往由一個專業(yè)的團(tuán)隊(duì)組成，他們分工明確，撰寫、拍攝、錄制、后期、包括后期的市場宣傳都有專門的人員從事，此類用戶的生產(chǎn)的內(nèi)容質(zhì)量往往比較高。另一種是普通的UGC生產(chǎn)用戶，此類用戶無固定生產(chǎn)內(nèi)容的習(xí)慣，往往是三天打魚兩天曬網(wǎng)，其生產(chǎn)的內(nèi)容質(zhì)量也較低。

    根據(jù)平臺定位不同，其擁有的內(nèi)容資源也不同，生產(chǎn)內(nèi)容的用戶構(gòu)成也不盡相同。根據(jù)上述列出的幾種內(nèi)容類型和生產(chǎn)用戶類型，可以組合出“圖片+PGC”、“文字、圖片+PGC”、“視頻+PGC”、“視頻+UGC”….等多種組合類型。結(jié)合自身平臺業(yè)務(wù)線，找出內(nèi)容數(shù)量靠前的幾種組合，也就是我們所擁有的內(nèi)容優(yōu)勢所在。

    當(dāng)我們分析出我們擁有什么以后，接下來所要解決的問題就是如何篩選優(yōu)質(zhì)內(nèi)容，以及如何進(jìn)行內(nèi)容信息識別和聚類，對于優(yōu)質(zhì)內(nèi)容我們要在推薦策略里基于更多展現(xiàn)曝光

    關(guān)于優(yōu)質(zhì)內(nèi)容的篩選，主要分為“機(jī)器篩選”和“人工篩選”兩種方式，而實(shí)際操作中，往往是二者的結(jié)合，因?yàn)閱渭儥C(jī)器篩選其客觀性太強(qiáng)，部分優(yōu)質(zhì)內(nèi)容機(jī)器無法識別（對于上述四種內(nèi)容信息的載體，其展現(xiàn)形式的表現(xiàn)力：文本<>圖片=音頻>視頻）而純?nèi)斯ずY選又會受審美差異等主觀因素的影響難易做到公平公正。

    “人工篩選”的方式無需多說，而對于機(jī)器篩選優(yōu)質(zhì)內(nèi)容，在篩選之前要做好充分的數(shù)據(jù)收集及上報，只有數(shù)據(jù)維度足夠充分，才能為篩選做保證。拿音樂app軟件舉例“如何評判一首普通歌曲的質(zhì)量好壞”。

    除了歌曲本身作為內(nèi)容的形式之外，更是鏈接“內(nèi)容生產(chǎn)者”和“內(nèi)容消費(fèi)者”之間的紐帶，所以數(shù)據(jù)的收集除了歌曲本身的屬性之外（例如：音頻長度、kpbs、格式、文件大小…）之外，也要從生產(chǎn)者的用戶屬性（PGC/UGC，年齡，地域，性別，個人愛好…）、發(fā)布行為（上傳歌曲的時間、上傳歌曲的頻次…）和消費(fèi)者的用戶屬性（性別、年齡、職業(yè)、地域、注冊時間…）、瀏覽行為（點(diǎn)擊、播放、重復(fù)播放次數(shù)）等多維度評價一首歌曲的質(zhì)量。不同app對于內(nèi)容的質(zhì)量評估數(shù)據(jù)指標(biāo)不同，需結(jié)合實(shí)際情況具體分析，此處不再一一詳細(xì)列舉各個數(shù)據(jù)指標(biāo)。對于歌曲而言，最終要的幾個指標(biāo)無非是：曝光點(diǎn)擊比、播放完整度、評論、分享、收藏率…

    此處對內(nèi)容質(zhì)量的動態(tài)評級，還可以利用對生產(chǎn)者評級和消費(fèi)者評級的方式來判斷，各個等級之間有著嚴(yán)格的標(biāo)準(zhǔn)劃分（此處不詳述分級的方法，具體情況具體制定），用戶的評級隨自身行為動態(tài)調(diào)整（等級正反饋、負(fù)反饋機(jī)制）。不同等級的用戶生產(chǎn)和消費(fèi)行為，對內(nèi)容評級的影響不同，越優(yōu)質(zhì)的用戶其行為對內(nèi)容質(zhì)量的影響越大。

    說完內(nèi)容質(zhì)量的評級，之后就是對內(nèi)容的聚類。還拿音樂舉例，音樂本身并無任何分類，對于一首歌曲而言無非是多個音符的連續(xù)演奏。我們憑借自己的生活經(jīng)驗(yàn)和認(rèn)知對歌曲進(jìn)行分門別類：歐美音樂/港臺音樂/內(nèi)地音樂…、搖滾/流行/藍(lán)調(diào)…、抒情/狂歡/悲傷….、鋼琴曲/小提琴/吉他曲。此處對內(nèi)容聚類的方法應(yīng)遵循“相互獨(dú)立、完全窮盡”的原則即不同劃分維度之間要相互獨(dú)立，互無交叉，而每個維度里劃分又要盡可能細(xì)化到最小的顆粒度。

    除了內(nèi)容聚類的方法，內(nèi)容的聚類的流程，同樣的，可以采取人工和機(jī)器結(jié)合的方式。

    內(nèi)容生產(chǎn)者，在上傳內(nèi)容時，對內(nèi)容進(jìn)行分類、設(shè)定內(nèi)容標(biāo)簽。其內(nèi)容進(jìn)入后臺首先按照用戶上傳時的分類進(jìn)行篩選，之后由審核人員對其標(biāo)簽進(jìn)行走查，將無分類的內(nèi)容進(jìn)行分類，同時對錯誤分類進(jìn)行修正（此時所有審核人員的操作結(jié)果，系統(tǒng)都應(yīng)該給生產(chǎn)者發(fā)送信息提示其內(nèi)容被修改，優(yōu)化上傳流程）。所有人工審核后的內(nèi)容庫里的內(nèi)容作為最終對外分發(fā)的結(jié)果，在前端對外分發(fā)。

    至此，我們已經(jīng)完成了對優(yōu)質(zhì)內(nèi)容的篩選和對內(nèi)容的聚類。那誰來消費(fèi)我們的內(nèi)容呢，誰來為我們的內(nèi)容買單，我們的用戶群是誰，他們來自哪？是男是女？年紀(jì)多大？他們是高、是矮，是胖，是瘦？從事什么工作？有什么愛好？他們收入如何？

    二、用戶篇（who）

    承接上文，說到用戶，繞不開的一個話題就是用戶畫像。要建立推薦系統(tǒng)的用戶畫像，我首先會問自己兩個問題：“我們的用戶是誰？”“他們都喜歡什么？”如果說用戶畫像是對一個人描述，那么第一個問題更像是描述一個人的外在，第二個問題更像是描述一個人的內(nèi)在。外在對應(yīng)用戶屬性，內(nèi)在則對應(yīng)用戶行為，行為連接內(nèi)容，從而分析用戶喜好傾向。

    此處數(shù)據(jù)統(tǒng)計的維度和準(zhǔn)確性的重要性不再贅述，左側(cè)是用戶屬性，右側(cè)是相關(guān)的用戶操作行為，所有的操作行為最終都能落地到具體一個內(nèi)容上（我們在“內(nèi)容篇”已經(jīng)講過如何對內(nèi)容進(jìn)行分類標(biāo)識）我們通過看內(nèi)容分類標(biāo)識，從而分析用戶的喜好傾向。

    這種方法就好比我們寫日記，記流水賬，只要我們把足夠多的信息記錄下來，我們就能足以分析數(shù)這個人詳細(xì)用戶畫像

    例如：2017年5月12日，家住北京，24歲，清華大學(xué)畢業(yè)的姑娘小倩穿上她的adidas的衣服，開著她的奔馳車，去王府井的一家人均價位在100/位的火鍋店吃火鍋….）,只要我們記錄的信息足夠多，足夠精確，對用戶畫像的描述也就越清晰。

    在推薦系統(tǒng)里，我們通過用戶畫像需要解決的是用戶喜好傾向的問題，但用戶的喜好傾向不是一成不變的，除了要做到數(shù)據(jù)的持續(xù)收集，在判定用戶興趣時，用戶的短期興趣傾向和長期興趣傾向需要做策略的融合。持續(xù)對兩種維度的權(quán)重調(diào)權(quán)，從而得到最優(yōu)解。

    舉例：我是一個喜歡搖滾音樂的用戶，不經(jīng)意間聽了幾首純音樂，我們并不能一刀切的認(rèn)為用戶的喜歡傾向由搖滾轉(zhuǎn)為輕音樂，而是應(yīng)該記錄下這種行為，在策略里不斷試探嘗試用戶興趣，持續(xù)推薦不同內(nèi)容，從而判定用戶真正興趣。

    在推薦系統(tǒng)里，我們通過用戶畫像需要解決的是用戶喜好傾向的問題，但用戶的喜好傾向不是一成不變的，除了要做到數(shù)據(jù)的持續(xù)收集，在判定用戶興趣時，用戶的短期興趣傾向和長期興趣傾向需要做策略的融合。持續(xù)對兩種維度的權(quán)重調(diào)權(quán)，從而得到最優(yōu)解。

    舉例：我是一個喜歡搖滾音樂的用戶，不經(jīng)意間聽了幾首純音樂，我們并不能一刀切的認(rèn)為用戶的喜歡傾向由搖滾轉(zhuǎn)為輕音樂，而是應(yīng)該記錄下這種行為，在策略里不斷試探嘗試用戶興趣，持續(xù)推薦不同內(nèi)容，從而判定用戶真正興趣。

    三、推薦篇（how）

    解決了物的問題，又解決了人的問題，現(xiàn)在接下來的最后一步就是，我們?nèi)绾伟盐锝桓兜饺说氖种小?/p>

    在做推薦之前，我們需要做的一件事就是：數(shù)據(jù)的收集、上報。不同于上述內(nèi)容質(zhì)量和用戶畫像的數(shù)據(jù)統(tǒng)計維度，應(yīng)用于推薦的數(shù)據(jù)統(tǒng)計維度更多，是兩者的超集，除此以外，一些操作系統(tǒng)、app版本、網(wǎng)絡(luò)環(huán)境、用戶操作訪問路徑的分析，漏斗的模型的轉(zhuǎn)化….等等都與推薦行為息息相關(guān)。此處關(guān)于數(shù)據(jù)上報的維度需要針對不同平臺，不同推薦業(yè)務(wù)，不同場景做具體問題具體分析。

    關(guān)于一心想求推薦系統(tǒng)算法公式的同學(xué)，可以去抱算法工程師大腿了，此處不做詳細(xì)羅列，只來聊聊我所理解的推薦的一些原理，畢竟產(chǎn)品經(jīng)理的數(shù)學(xué)和算法工程師比起來，基本30分到40分水平…

    我把每個用戶想象成一個獨(dú)立的點(diǎn)，每個用戶背后都帶有各種各樣的用戶屬性，我們把具有相同屬性的用戶之間建立一條連線，眾多的用戶其彼此間的連線也錯綜復(fù)雜，由此形成了一個獨(dú)立的用戶面。同樣的原理，把每條內(nèi)容也想成一個獨(dú)立的點(diǎn)，每條內(nèi)容背后也都帶有各種各樣的內(nèi)容聚類標(biāo)識，我們把具有相同類別的內(nèi)容之間建立一條連線，眾多的內(nèi)容間的連線也錯綜復(fù)雜，由此形成了一個獨(dú)立的內(nèi)容面。

    有了“用戶面”和“內(nèi)容面”的概念以后，我們的每一個用戶之間都彼此產(chǎn)生著聯(lián)系，每個內(nèi)容之間也都彼此產(chǎn)生著聯(lián)系，那如何把我們的“用戶面”和“內(nèi)容面”打通，其實(shí)就是所謂的用戶行為。我把用戶行為比做“通道”通道用于連接“用戶面”和“內(nèi)容面”，每一次用戶行為，都是兩個面之間一次數(shù)據(jù)的傳輸交流。至此，兩個面之間互相打通，形成了一個三維模型。這個三維模型建立在數(shù)據(jù)之上，每時每刻任意兩點(diǎn)之間都在進(jìn)行著數(shù)據(jù)傳輸，因?yàn)楸舜碎g相互聯(lián)系，一個用戶的行為可能最終影響周圍多個用戶的結(jié)果，類似蝴蝶效應(yīng)。

    說完推薦，還有一點(diǎn)不得不提的就是“a/btest”和“關(guān)于a/btest，適中要遵循一個原則，明確目的，保持變量唯一。所有的推薦都是持續(xù)的過程，不同的推薦算法需要時間學(xué)習(xí)矯正，a/btest就是很好的輔助工具和方法，關(guān)于如何構(gòu)建a/btest系統(tǒng)，此處不做詳細(xì)說明，只闡述其重要性。