筆者在剛剛接觸到需求對接和管理的工作時，常常感到力不從心，不知從何思考、落腳何處。除了對團隊的推薦業務了解不深外，核心原因還在於沒有形成對推薦系統、深入的理解。在近壹年的推薦產品實習過程中，筆者通過交流、閱讀和思考，理解增進了壹二，在此略作梳理。
本文將分為以下三個部分：什麽是推薦，闡述推薦的概念；為什麽做推薦，闡述推薦的價值和適用場景；怎麽做推薦，闡述推薦的邏輯以及推薦產品的工作職責。
推薦，現代漢語詞典解釋為“ 介紹好的人或事物希望被任用或接受 ”。在互聯網產業中，推薦則指通過分析用戶偏好，將符合興趣的內容主動提供到用戶面前，以提高內容消費轉化的效率。根據詞義可以從兩個方面理解推薦， 壹是推薦為用戶主動提供“好的”，也就是符合其興趣偏好的內容，二是推薦的目標是促成內容的消費轉化 。
這兩個理解看似廢話，實則構成了理解推薦的底層邏輯。第壹條指出推薦與其他內容分發模式的區別，運營給用戶提供編輯認可的內容，搜索和分類則是被動由用戶尋找到符合興趣的內容。第二條明確推薦作為壹種內容分發模式的終極目標——促進內容的消費轉化。
接下來的問題是：用戶在什麽時候更加需要被主動提供感興趣的內容？推薦如何主動提供用戶感興趣的內容？
信息過載指用戶被淹沒在大量的無用信息中，用戶無法發現有價值的信息、有價值的信息也無法呈現在用戶眼前的情況。隨著信息產業的快速發展，信息激增，信息過載的問題日益顯著。當用戶面臨海量的信息，如果有明確的目的，可以利用搜索引擎和分類目錄來縮小範圍、篩選信息；而如果沒有明確的目的，則需要推薦系統提供解決方案。
歸納常見的用戶面對海量信息卻沒有明確目的的情況，如影視、音樂、資訊、廣告以及電商等場景，多為內容消費場景。為滿足本身就多樣化的用戶需求，平臺為用戶提供了豐富的內容，但海量內容與用戶興趣的匹配工作不利，也導致用戶的信息過載，無法充分消費平臺內容。此時，推薦的價值就凸顯了。
對推薦價值的評估可以從必要性和重要性兩方面考慮。
1. 推薦內容數量多、多樣化程度高。
用戶需要篩選信息但卻不明確此時此地所需，往往出現信息過載，推薦促進消費轉化的核心價值得以體現。應用於實踐中的判斷，內容數量可以用絕對數量來衡量，內容的多樣化程度則與當前場景下用戶需求的多樣性壹致。
2. 用戶對個性化的需求強烈。
此時，用戶有強烈的期待獲取符合其偏好的內容，即對推薦的需求強烈。對於非工具性場景，特別是購物、娛樂等有較大自主選擇空間的消費場景，審美和口味對用戶來說十分重要，這是因為個人形象和品味是通過消費彰顯的。而對於工具性場景，如電子郵件等，應用推薦的需求主要在於提高工作效率，進行個性化推薦的必要性就較低。在實際工作中，用戶對個性化需求的判斷需要結合推薦場景具體分析。
提高內容消費轉化效率是推薦之重要性的根本，在此之上，受到產品的成長階段、影響範圍、預期收益等方面的影響。
1. 產品階段：
推薦在產品發展前期的主要作用是整合利用零碎流量，使長尾內容的流量得到充分利用；中期提高變現效率，如優先分發創收內容促進消費轉化等；後期分配流量資源，實現有限的平臺流量的統籌。根據不同的階段目標，提升內容消費轉化效率的重要性不同，推薦的地位和重要性也有所不同，推薦的目的和手段都有不同。
2. 影響範圍：
影響範圍不僅僅指推薦場景所覆蓋的流量絕對數量，也指流量的潛藏價值。推薦場景的影響範圍越大，實現內容轉化的收益越多，推薦對核心指標提升的貢獻越大，也意味著用戶偏好越明顯、異質性越強，對個性化推薦的需求越大。影響範圍最大的常常是首頁首屏的推薦場景，場景越深、流量越小。壹般情況下，流量過小的場景接入推薦的優先級較低，但如果是針對會員用戶、高消費高價值用戶的付費場景，則又另當別論。
3. 預期收益：
指公司、產品、業務方能夠從推薦獲得的實際收益預估，主要是指核心指標和商業指標的預期提升，需結合先前場景的推薦效果。預期收益壹方面指與影響範圍綜合評估得出的量化的收益規模，另壹方面也指針對品牌形象、核心功能、認知度等的質性收益感知。
通過回答為什麽做推薦、何時需要推薦的問題，推薦產品能夠對推薦需求的必要性和重要性加以評估，從而對是否以及如何落地需求做出預判。
在對推薦需求的進行評估之後，接下來面臨的問題就是怎麽做推薦。下文將對接入推薦的壹般步驟進行梳理，並以常見的推薦場景為例總結推薦策略的設計思路。
壹個新推薦的實現可以被拆解為以下四個部分：場景分析、策略制定、開發測試、效果評估。本文重點討論場景分析和策略制定兩個部分。
1. 場景分析：
對需求場景進行準確、深入的分析至關重要，需要推薦產品和業務產品的***同交流達成壹致。通過場景分析，推薦產品能夠正確地預估接入推薦的必要性和重要性，從而對需求進行合理排序；還使結合場景對推薦策略進行調整，優化推薦效果和用戶體驗。
從推薦的角度來看，場景分析主要思考以下問題：
a. 該場景處於怎樣的位置？怎樣的展示樣式？核心功能是什麽？
b. 該場景下推薦內容庫的數量、質量、類型是怎樣的？內容的進退場規則是怎樣的？
c. 該場景下的用戶群體是誰？可以被如何分類？各個類別的用戶的需求有哪些特點？
d. 該場景下用戶的使用上下文和操作習慣是怎樣的？
2. 策略制定：
策略的制定主要由業務產品、推薦產品和開發***同完成，其中業務產品從自身角度表達效果需求，推薦產品則結合場景需求和推薦能力規劃推薦策略，將推薦需求拆解並與開發溝通實現。
推薦策略的制定主要包括特征、召回、排序、調優，筆者將從推薦產品的角度壹壹闡釋：
a. 特征：
壹般情況下，已有成型推薦系統中已經包含了大量的用戶、物品特征和關聯關系。作為推薦產品，主要是預判該場景下哪些特征有效、哪些未被利用的數據可以被作為特征使用、是否需要增加新的特征和關聯關系，等等。
例如，用戶的負反饋行為特征是推薦策略中內容降權的重要依據，作為推薦產品需要分析用戶的行為，找到更準確反應用戶負反饋行為，特別是隱形負反饋的行為數據和計算方式。對單個物品的負反饋可能體現為：無操作、跳過跳出、停留時長過短、無消費或過少、停留長但無消費，等等。推薦產品需要將用戶內容消費前後和消費中的行為進行分類、組合，從而更準確地定義負反饋。
b. 召回：
召回指從海量內容池中，通過用戶、內容的關聯關系，根據少量、關鍵的用戶、內容特征挑選出關聯性最高的內容組成較小的推薦候選集，目的是快速挑選出用戶最感興趣的內容。召回算法由開發實現，推薦產品主要負責選擇召回路徑以及權衡各個召回路徑的比重。常見的召回路徑可以分為三種類型：
-算法召回：基於內容分析、協同過濾、自動聚類等算法模型進行召回
-內容規則召回：基於熱度、時效性、內容關聯關系等進行召回
-用戶召回：基於用戶的場景，如節假日、地理位置、wifi，以及行為，如搜索、消費歷史、實時反饋、tag偏好等進行召回
召回策略的選擇和組合方式，需要根據場景的核心功能、內容的特點、用戶的期待等進行設計，並通過ab測試等評測相關指標水平。
c. 排序：
排序過程對各路召回形成的較小候選集中的內容進行點擊率等指標預估和排列，從而給用戶提供最個性化的內容推薦。相對於召回，排序過程所需要的特征更多、模型更復雜、速度更慢，追求的是精準。為了提高排序的速度，還會將排序進壹步分為粗排、截斷、再精排兩個階段來縮小復雜模型應用的對象數量，提升預測的精準度。相對於召回階段，排序更偏技術而非策略，推薦產品主要在排序結果的調優階段，也就是重排階段進行策略設計。
d. 重排
重排階段主要由推薦產品主導策略的設計，針對排序得到的推薦內容列表進行調整，從而實現壹定的業務、產品目標，如商業盈利、內容建設等，或者改善用戶體驗。重排壹方面依靠模型，另壹方面依靠人工策略。常見的重排策略有四類：過濾、打散、強插、調權。
過濾 包括推薦內容列表內重復或相似內容的過濾、推薦場景上下文重復內容的過濾、對低質或廣告內容的過濾等。主要目的是改善用戶體驗、提高推薦效率。 打散 指隔開同壹類型的內容等，以提高推薦結果展示的多樣性，增加推薦內容覆蓋率，改善用戶體驗。 強插 指在固定位置人工插入特定內容，主要是為了與特定內容相關的運營、商業目的。強插策略主要受到業務產品目標的影響。 調權 指提高對業務、產品目標實現重要類型內容、待消費內容的權重，降低熱點內容、已曝光內容、無操作內容、已消費內容的權重等。
人工的重排策略會對機器排序結果的效果產生影響，正負影響需要推薦產品結合業務目標進行權衡，通過ab測試選擇效果更好的重排策略。
在推薦場景上線之後，是更加關鍵和長期的指標監測、效果評估過程。受篇幅所限，筆者會另起文稿，在此不再贅述。
綜上所述是筆者作為壹名推薦產品實習生對推薦業務的基礎理解。通過系統地認識推薦，使筆者在作為壹名實習生完成非核心工作時，對工作定位和團隊目標的認識更加清晰，也使筆者更加明晰了作為壹個推薦產品能夠帶來的價值和改變。
從小的工作層面來看，業務產品對技術的理解較淺，開發同學多為技術思維缺乏產品嗅覺，雙方溝通成本高。而推薦產品則能夠作為連通二者的橋梁，提高從技術到價值的實際轉化和收益。從大的行業趨勢來看，推薦系統的出現和應用是信息產業面向用戶的壹次革新，推薦產品通過商業、技術與人性的權衡，使信息分發效率有了質的提升，使信息環境更加健康、平衡，更使互聯網產業更加人性化、產生更高的社會價值。