一、前言&定義
可能很多和筆者一樣非數(shù)據(jù)或算法科班出身的產(chǎn)品同學(xué)在涉及到需要進行內(nèi)容推薦的產(chǎn)品時無從下手，盡管在網(wǎng)絡(luò)上可搜索到各種算法的基本原理和公式，但或過于專業(yè)或直接呈現(xiàn)最終邏輯，但具體怎么做還是一頭霧水，筆者拋開理論和復(fù)雜的公式，直接從產(chǎn)品出發(fā)設(shè)計一套最小可行性從0到1的推薦算法能力。
什么是基于內(nèi)容的推薦算法
基于內(nèi)容的推薦：核心思想是根據(jù)推薦物品或內(nèi)容的元數(shù)據(jù)，發(fā)現(xiàn)物品或者內(nèi)容的相關(guān)性，然后基于用戶以往的喜好記錄，推薦給用戶相似的物品。
簡單地理解就是：根據(jù)用戶過去喜歡的內(nèi)容，為用戶推薦和他過去喜歡的內(nèi)容相似的內(nèi)容。
二、算法整體架構(gòu)說明
1. 明確算法目的
我們在最開始做推薦算法時，要清楚初始階段目的：即在保證內(nèi)容質(zhì)量的前提下根據(jù)用戶行為推薦盡可能符合用戶期望的豐富內(nèi)容。
這句話雖然很短，但包含了三個很重要的關(guān)鍵詞：內(nèi)容的質(zhì)量、內(nèi)容豐富（多元）度和符合預(yù)期。
2. 推薦算法整體邏輯
基于推算的場景，我們很容易發(fā)現(xiàn)推薦邏輯：用戶在線進行操作行為時，系統(tǒng)向后臺發(fā)起用戶數(shù)據(jù)召回請求，然后根據(jù)排序模型形成最終用戶看見的內(nèi)容，最后通過用戶的請求和記錄完善用戶行為，以進行后續(xù)的內(nèi)容匹配。常見的推算下圖：
圖片雖然看起有點復(fù)雜，抽絲剝繭就三個核心：一套內(nèi)容管理后臺+多個權(quán)重算法+展示邏輯。
3. 推薦算法產(chǎn)品框架
基于算法邏輯和最小可行性目的，我們可以整理出簡單的產(chǎn)品框架，如下圖：
很明顯算法推薦公式可以不用立馬就建立一套復(fù)雜的算法模型，只要有基礎(chǔ)的用戶管理、內(nèi)容管理能力，結(jié)合內(nèi)容質(zhì)量權(quán)重和用戶喜好權(quán)重，考慮到去中心化和時效應(yīng)影響，就可完成在保證內(nèi)容質(zhì)量的前提下根據(jù)用戶行為推薦盡可能符合用戶期望的豐富內(nèi)容。
三、具體算法權(quán)重設(shè)計
1. 質(zhì)量管理評分公式
質(zhì)量評分總得分Score由三大模塊得分加權(quán)計算得出，其公式如下所示：
（系數(shù)可根據(jù)業(yè)務(wù)情況自行調(diào)整，起始分為100）
其中A、B、C為三大模塊各自得分值。Score得分為三大模塊得分乘以各自對應(yīng)系數(shù)。
各模塊得分由其多項評分指標及對應(yīng)系數(shù)加權(quán)計算得到，此處以A模塊為例：
其中為A模塊下對應(yīng)的各項指標得分， 為各項指標得分所對應(yīng)的權(quán)重系數(shù)。
A-內(nèi)容流量模塊評分
內(nèi)容流量為是內(nèi)容對流量的吸引能力體現(xiàn)，初始化的產(chǎn)品建議的核心熱度加權(quán)：停留時間（退出率）>評論量>點贊量＞收藏量>PV/UV>轉(zhuǎn)發(fā)量。下表為案例：
B-內(nèi)容質(zhì)量模塊評分
主要根據(jù)后臺內(nèi)容的狀態(tài)進行評斷，在機審能力未完全搭建以前，本模塊受到人工影響較大。
附：評分公式
目前對于內(nèi)容推薦型的評分算法，推薦貝葉斯平均評分法作。其公式如下：
其中，n為當前內(nèi)容的評分次數(shù)，M為總內(nèi)容平均得分，S為單個內(nèi)容總得分，C為動態(tài)系數(shù)。
單個內(nèi)容評分得分 = (總內(nèi)容的平均得分 * C系數(shù)) + 單個產(chǎn)品的評分總和) / (當前內(nèi)容的評分次數(shù)+ C系數(shù))
C系數(shù)為每個內(nèi)容的被評分的平均次數(shù)，即C=所有內(nèi)容被評論的總次數(shù)/所有內(nèi)容數(shù)量。例如：總共有1000個文章 一共被評論了50000次，那C就等于50000/1000=50。
小例：
（貝葉斯平均法評估示例）
結(jié)論：以貝葉斯平均為依據(jù)的排序更能反應(yīng)真實的情況，打分次數(shù)多且評分較高的產(chǎn)品會更加靠前，打分次數(shù)多評分較低的產(chǎn)品則會更加靠后，與單純依據(jù)每個產(chǎn)品的平均分排序相比，這種結(jié)果更有意義。
C-用戶質(zhì)量模塊評分
用戶質(zhì)量根據(jù)后臺人工標識用戶屬性加上其發(fā)帖質(zhì)量2個維度構(gòu)成。
2. 用戶喜好評分公式
用戶行為記錄是獲取用戶相關(guān)推薦的主要依據(jù)，初期是根據(jù)用戶關(guān)注、瀏覽喜好以及用戶搜索關(guān)鍵詞對用戶喜好進行統(tǒng)計，基本的邏輯如下：
喜好評分=瀏覽喜好分類*0.6+關(guān)注人內(nèi)容*0.4 +搜素內(nèi)容分類*0.0
（系數(shù)可根據(jù)業(yè)務(wù)情況自行調(diào)整，起始分為100）
舉例說明：
（1）通過用戶的瀏覽記錄，獲得用戶的喜好標簽
那么對于同一分類下的內(nèi)容按照公式增加喜好值。
（2）獲取用戶的關(guān)注用戶，獲得喜好標簽
那么對于關(guān)注用戶下的內(nèi)容按照公式增加喜好值。
（3）如果內(nèi)容1屬于分類A，并且是用戶D創(chuàng)建的，這個內(nèi)容對于用戶來說就是兩個權(quán)重值相加 =查看內(nèi)容分類*0.6+關(guān)注人內(nèi)容*0.4
四、前端展示權(quán)重設(shè)計
通過質(zhì)量評分和用戶喜好評分，我們能得到以內(nèi)容為主。針對不同用戶的內(nèi)容質(zhì)量和喜好評分值，那么就可以得到一個簡單的推薦邏輯（推薦列表）：按照用戶喜好評分推薦質(zhì)量評分較高的內(nèi)容，若得分相同則按內(nèi)容創(chuàng)建時間倒序排列進行推薦。
但在實際推薦中除了保證用戶喜好外，需要嘗試去中心化的內(nèi)容展示模式，所以最終展示的推薦內(nèi)容，應(yīng)該來自三個模塊：
A、用戶喜好列表：通過用戶喜好評分，為用戶推薦內(nèi)容評分質(zhì)量較高的內(nèi)容，這是主要推薦內(nèi)容。
推薦邏輯：先對內(nèi)容按照用戶喜好值進行從高到低的排序，再喜好值A(chǔ)以上的內(nèi)容中依次健康值高于閥值B、閥值C、閥值D的內(nèi)容隨機推薦，低于閥值D不進行推薦。
B、高質(zhì)量非喜好列表：用戶喜好值低于某個閥值但內(nèi)容流量評分較高的內(nèi)容。
C、初始流量推薦列表：通過用戶喜好評分，為用戶推薦內(nèi)容質(zhì)量審核過但流量不高的內(nèi)容。
老用戶算法為：Score=A*0.7+B*0.2 +C*0.1（系數(shù)可根據(jù)業(yè)務(wù)情況自行調(diào)整）
其中0.7、0.2、0.1位A、B、C為三大模塊初始系數(shù)，它受到時間效應(yīng)變化。
新用戶冷啟動的算法為：ScoreL= B*0.9 +C*0.1
其中B模塊直接調(diào)用流量池健康評分。
注意：喜好評分和健康值相同時，隨機選取加載量，在同一輪加載過程中同一信息需要剔重。
1. 時間效應(yīng)計算方式
為了進一步去中心化，以及推薦準確性，根據(jù)熱度冷卻公式：
本期系數(shù) = 上期系數(shù) x exp(-(冷卻系數(shù)) x 間隔的小時數(shù))。T為初始熱度，此處默認為0.7，為上一期溫度，為冷卻系數(shù)，為間隔小時數(shù)。
五、關(guān)于A/B測試
推算推薦更加需要進行A/B test，因為我們在初始化的過程中，具體的權(quán)重設(shè)置是否合理是無法得知的，但是能保證的時沒有垃圾推薦的流出，所以A/B測試結(jié)果對優(yōu)化權(quán)重格外重要，將用戶分流至對應(yīng)方案內(nèi)，在保證每組用戶特征相同的前提下，根據(jù)用戶的真實數(shù)據(jù)反饋，幫助產(chǎn)品決策。當然隨著測試樣本變多對技術(shù)架構(gòu)考驗越大。
六、尾聲
正如開頭所說本文的算法是剝離于內(nèi)容推薦算法理論公式，根據(jù)實際產(chǎn)品出發(fā)進行的設(shè)計，其核心是保證內(nèi)容質(zhì)量的前提下根據(jù)用戶行為推薦盡可能符合用戶期望的豐富內(nèi)容，具有相當?shù)木窒扌裕m用于沒有完善的算法團隊和進行最小可行試驗的產(chǎn)品。希望文章對和我一樣沒有算法基礎(chǔ)的同學(xué)帶來幫助和啟發(fā)，野路子的產(chǎn)品悲哀。歡迎大家交流。
本文由 @jingtianz 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載
題圖來自Unsplash，基于CC0協(xié)議
