1. 爱运营首页
  2. 营销知识
  3. 内容营销

写给产品和运营人的内容推荐框架笔记

许多专业人士的知识结构特点都是:在太少的地方知道的太多。

我们总是希望他们能讲点什么,但很遗憾的是,许多专业人士已经逐渐丧失了和大众对话的能力,他们一开口,讲的东西大多人都很难轻易听懂。

在职场,分工的边界开始变得模糊,大多人需要的是对许多方面都有一定的了解,但又不需要特别精通,从而能和其他人有更流畅的合作,对项目有更宏观的理解,对非专业的知识也能有框架性的认识。

所以本文梳理了内容推荐算法的基础逻辑,没有任何公式和算法程序,10分钟就可以对内容推荐的方方面面有整体的理解

为了让文章尽可能简化,所有不必要的内容都没有在文中写出,但罗列了许多参考文章,可以进一步扩展阅读。各位在人人都是产品经理鸟哥笔记、搜狗微信搜索等网站检索,就可以轻易得到文章。

绝大多数已知的事情在逻辑上都是非常简单的,难的地方在于细节的处理、技术的实现。但在“认识”这个阶段,对逻辑的理解非常重要,所以这是一个既重要又简单的部分

在“实践”阶段则要复杂的多,需要我们自己在做的过程中反复琢磨,找到真正适合自己的方案。

全文分为6个基础逻辑。

传统内容获取方式

写给产品和运营人的内容推荐框架笔记

  • 在个性化推荐技术大规模应用以前,人们在线获取信息的方式主要依靠搜索引擎浏览站点首页两种方式。

  • 使用搜索引擎的场景下,用户的需求主动而明确,可以通过关键词获取精准的信息。

  • 浏览站点首页的场景下,用户的需求主动而模糊,可以获得平台推荐给你的信息,这种推荐对所有用户一般是无差别的,比如各大站点首页的轮播图、专栏、热榜等。相关的技术是“热点算法”。

  • 最近几年开始流行的个性化推荐提供足够定制化的信息,每个人都是独一无二的个体,极为个性化的偏好都能得到满足。

「扩展阅读」

  • 互联网时代最主要的三种获取信息方式-文章-米可-人人都是产品经理

  • 浅谈互联网信息获取方式的演变以及对SEO的影响-文章-SEO技术流-微信公众号

内容分发方式

写给产品和运营人的内容推荐框架笔记

  • 内容分发是从平台的角度来说的,可以分为订阅分发、编辑分发、社交分发、推荐分发

  • 微信公众号的基本的逻辑是订阅分发,网易首页的轮播图和栏目是编辑分发,微信「看一看」中的“朋友在看”属于社交分发,今日头条APP首页的“推荐”栏目更多属于推荐分发。

  • 许多产品都会把三种方式结合使用,比如知乎首页就有「推荐」、「关注」和「热榜」,甚至有的平台会把这三类都整合在一个信息流中。

「扩展阅读」

  • 聊一聊信息分发的嬗变史-文章-善宝橘-人人都是产品经理

  • 互联网信息分发简明史-文章-金叶宸-人人都是产品经理

  • 知乎的内容分发策略及运行机制是怎样的?-文章-Lcarusd-人人都是产品经理

  • 内容分发三分天下?编辑、算法与社交-文章-Ella-人人都是产品经理

搜索引擎&推荐系统

写给产品和运营人的内容推荐框架笔记

  • 搜索引擎推荐系统是人们获取信息最主要的两种方式,它们之间关系密切。

  • 前面已经说过,使用搜索引擎获取信息时,用户的需求主动而明确,而使用推荐系统的用户,需求往往被动而模糊

  • 搜索引擎的结果对不同特征的人可以有一定的不同,但很难做到个性化,推荐引擎则可以做到千人千面,满足每个用户的个性化需求。

  • 从给用户呈现的内容来看,可以把搜索引擎看作推荐引擎的某种简化,如果一个用户只对一个关键词感兴趣,那么推荐引擎的结果就近似于搜索引擎的结果。

「扩展阅读」

  • 推荐系统和搜索引擎的关系是什么?-文章-陈运文-人人都是产品经理

  • 内容算法:第一章:走近内容推荐:推荐系统架构初探-图书-闫泽华-实体书

  • 一文解读垂直搜索引擎和个性化推荐的应用逻辑-文章-Sarah-人人都是产品经理

推荐系统&用户画像

写给产品和运营人的内容推荐框架笔记

  • 内容推荐,就是把合适的内容推荐给需要的用户,推荐系统需要搞定三个大的模块用户、内容、算法。而用户画像属于用户模块,是推荐系统的重要组成部分。

  • 虽然用户画像还有产品或行业研究等使用场景,但相对次要,在讨论推荐问题的场景下,可以直接把用户画像看作推荐系统的组成部分。

  • 用户的每一次操作都有两种意义。一是对内容进行「群体评估」,用自己的行为决定某篇内容的好坏,二是「个体进化」的意义,通过自身的每一次选择与反馈,持续地改进自身的用户画像。

  • 用户画像就像为每个人构建一个数字躯体,用户画像越完善,推荐系统获得的语义就越丰富,推荐给用户的内容就越精准,用户就可以获得更好的体验。

「扩展阅读」

  • 一文读懂推荐系统用户画像-文章-菠萝王子-人人都是产品经理

  • 实例解析:生活中的用户画像-文章-接地气的陈老师-人人都是产品经理

断物&识人

断物和识人,一个关注内容,一个关注用户,简单来说都是“贴标签”。标签是我们对多维事物的降维理解,抽象出事物更具有表意性、更为显著的特点。

写给产品和运营人的内容推荐框架笔记

  • 「断物」有三种方式:分类、标签、聚类。

  • 「分类」是树状的,是自上而下依次划分的。在分类体系里,每个节点都有严格的父类继承关系,在兄弟节点层都具有可以被完全枚举的属性值。

  • 应用分类时必须考虑分类权威性和信息完备性问题,避免因为子节点覆盖不全或分类错误导致的认知问题。

  • 知乎的「话题树」就是一个典型的分类体系。

  • 「标签」是网状的,更强调表达属性关系而非继承关系,只有权重大小之分,不强调包含与被包含关系。这就使得相对于分类而言,标签的灵活性更强。

  • 在权威性方面,标签是较弱的,每个用户都可以参与进来,基于自己的偏好贴标签,可以借助规模效应实现对信息表意完备性的覆盖。

  • 豆瓣图书的关键词,就是一个典型的标签系统。

  • 「聚类」可以用来应对难以用标签准确描述的东西,比如说一个人长得漂亮,是由一系列复杂而模糊的综合特征来决定的。

  • 聚类并不是以标签词的方式来定义事物是怎样的,而是基于某一维度的特征将相关物品组成一个集合,并告诉你这个新的物品同哪个集合相似。这种分类算法相对并不直观,对普通用户来说一般处于黑盒状态。

  • 抖音可能会给你推荐「爱跳舞的小姐姐」、也可能会给你推荐「美食做法」,其中的算法就包含对短视频的聚类。

写给产品和运营人的内容推荐框架笔记

  • 「识人」可以更加简单地理解为给用户“贴标签”,来描述用户的特征,也就是用户画像。

  • 用户画像数据分为静态和动态两类。

  • 「静态用户画像数据」是独立于产品场景之外的属性,比如性别、学历、年龄等。

  • 「动态用户画像数据」,包括用户在产品场景中所产生的的显式和隐式行为。

  • 显式行为包括对内容的点赞、评论、分享、对作者关注等。

  • 隐式行为包括在页面的停留时间、用户操作轨迹等。

  • 通常显式行为的权重更高,但由于显式行为更稀疏,所以需要隐式行为来补充验证。

「扩展阅读」

  • 内容算法:第二章:推荐的起点:断物识人-图书-闫泽华-实体书

  • 如何构建用户标签体系?-文章-日久情疏-人人都是产品经理

  • 用户标签实践:如何建立标签体系实现精准营销?-文章-lei-人人都是产品经理

  • 什么是用户画像和标签?-文章-Pinko-人人都是产品经理

基于内容的推荐&基于用户的推荐

基于内容的推荐指的是「相似性推荐」。

写给产品和运营人的内容推荐框架笔记

  • 「相似性推荐」算法中的相似性通过内容的标签重合度来体现。

  • 在众多图书中,两本书的标签重合度较高,如果用户选择了其中一本,系统就应当优先推荐给这位用户另一本。

  • 上图中,《运营之光》和《从零开始做运营》的标签重合度更高,可以给买其中一本的用户推荐另一本,而不是推荐《内容算法》。

  • 考虑到不同标签的区分度不同,可以进一步细化,引入TF-IDF方式给不同的标签设定权重。

  • TF-IDF的逻辑很简单,出现频率越高的标签区分度越低,给的权重也应该越低。

  • 这种基于内容属性的推荐好处是只依赖物品本身的特征而不依赖用户的行为,让新的物品和冷僻的物品都能得到展示。但也有一些问题。

  • 第一个问题,推荐质量的优劣完全取决于特征构建的完备性,但这是一项困难的系统工程。

  • 第二个问题,单纯的内容属性推荐没有考虑到用户对物品的态度,用户的品味和调性很难得到诠释和表达。

  • 「相似性推荐」理解起来比较直观,但因为它存在的问题在海量内容平台上非常严重,所以下面一种方式才是目前应用范围较广的推荐方法。

基于用户的推荐指的是「协同过滤」。

  • 「基于用户行为的协同过滤」引入了用户的消费行为特征,以此来计算用户相似性物品相似性

  • 协同推荐分为三个子类:基于物品的协同、基于用户的协同、基于模型的协同。

写给产品和运营人的内容推荐框架笔记

  • 「基于用户的协同」就是找到和你口味相似的人群,并把他们喜欢的新东西推荐给你。

  • 上图中,用户1和3都喜欢内容A和C,判断这两个用户偏好相似,当用户3阅读内容D时,同样把内容D推荐给相似的用户1。

写给产品和运营人的内容推荐框架笔记

  • 「基于物品的协同」,如果很多用户都阅读了同样的两个内容,系统就认为这两个内容相似。一个新的用户阅读其中一个,系统就会把另一个推荐给这位用户。

  • 上图中,内容A和C都被用户2和3喜欢,系统判断这两个内容相似,所以当一个新的用户1喜欢A后,也应该把相似的内容C推荐给用户1。

  • 「基于模型的协同」是用用户的喜好信息来训练算法模型,实时预测用户可能的点击率,是深度学习技术的应用。

  • 基于用户行为的协同过滤,特点是我们不需要对物品或信息进行完整的标签化分析和建模,实现了领域无关,因此应用广泛。

「扩展阅读」

  • 内容算法:第三章:推荐算法:物以类聚,人以群分-图书-闫泽华-实体书

  • 分析:基于文本内容推荐和协同过滤推荐-文章-SincerityY-人人都是产品经理

  • 推荐策略产品经理:什么是协同过滤推荐算法?-文章-凤城狂客-人人都是产品经理

  • 协同过滤算法:在抖音狂给1000个小姐姐点赞的事被老婆发现了!-文章-菠萝王子-人人都是产品经理

设计一款推荐系统,除了整体逻辑和具体算法,期间还会遇到各种各样需要考虑的问题,比如去重问题、权重问题、推荐密度问题、易反感内容处理、时空限定类内容处理、反作弊、偶然和极端情况等等,都需要我们逐步考虑进来。

另外,理解整体逻辑后,我们还需要知道,推荐算法是有很多不同的典型使用场景的。比如基于用户消费历史的商品推荐、视频播放结束后继续观看的场景、搜索的场景、时下流行内容的推荐、热榜推荐的热度算法等等,每一类场景都能找到典型的产品,但一定要根据分类找到更有参考价值的案例,以免逻辑混乱。

以上内容,写给那些对内容推荐非常陌生的产品和运营人员,可以作为入门理解的首选文章。当然,一个成熟的推荐系统从设计到落地要复杂得多,每一个不同的细节问题、每一个使用场景都有相关的文章或图书,可以进一步检索学习。

原文始发于微信公众号(阿互)

去年今日运营文章

  1. 2019:  4个要点,分析如何提高留存(0)
  2. 2018:  《手把手教你做运营》-起点学院 静秋 脑图学习笔记(0)
  3. 2018:  营销词汇中的“骗术”(0)
  4. 2018:  咪蒙团队都在用的数据分析方法,你要不要看一下?(0)
  5. 2018:  网站优化基础教程:怎么做好关键词优化?(0)

本文转载于微信公众号(阿互),本文观点不代表爱运营立场,转载请联系原出处。如内容、图片有任何版权问题,请联系爱运营处理。

发表评论

登录后才能评论