「从零入门推荐系统」04：推荐系统的产品与运营

作者 | gongyouliu

编辑 | auroral-L

全文共5461字，预计阅读时间30分钟。

大家好，我是强哥。一个热爱暴走、读书、写作的人！

本章目录

一、推荐产品简介

二、推荐产品形态介绍

    1. 热门推荐/榜单推荐

    2. 个性化推荐

    3. 信息流推荐

    4. 物品关联推荐

三、推荐系统运营介绍

总结

推荐系统是一个偏业务的系统，推荐系统从一出现开始就是服务于业务的（即为用户推荐可能感兴趣的物品），推荐系统要产生真正的业务价值（提升用户体验、提升用户留存、分享转发、购买下单等）就需要触达用户，推荐系统是通过前端的UI与用户交互的。一般是网站或者APP上的某个模块单独提供推荐能力，用户可以感知到它的存在，用户可见即所得，这种展示在产品中的推荐系统功能模块即推荐产品形态。

推荐系统的本质目的是解决早期门户网站的人肉运营模式，提升运营效率，为用户全天候地、实时地、精准地提供千人千面的个性化服务。但算法不能解决一切问题，在适当的时候还需要人工运营/干预（比如涉及到业务聚焦、内容安全、价值传递、情感交流、价值引导等），所以当前的推荐系统可以说是人工（注入产品与运营人员的理念、思考、情感、价值观）与智能（机器学习算法通过用户行为挖掘用户兴趣偏好）的有机结合体。

可以说，产品（包括视觉展示和交互逻辑）与运营（内容运营、用户运营、策略运营）在推荐系统中发挥着重要的、无法替代的价值。推荐算法工程师在平常的工作中会跟产品、运营直接接触、沟通，因此，推荐算法工程师了解一些产品、运营方面的知识对于做好本职工作，帮助推荐系统更好地迭代是大有裨益的。对这些知识点的掌握与了解，也有利于培养推荐算法工程师的全局观，对自身的职业发展也是大有好处的。

本章我们会讲解推荐系统产品与运营相关的知识点。具体来说，我们会从推荐产品简介、推荐产品形态介绍、推荐系统运营介绍等3个方面进行讲解。期望读者学习完本章后，对推荐系统产品与运营方面的知识有比较直观的了解，更加重视产品设计与运营调控在推荐系统价值发挥中所起的巨大作用。

一、推荐产品简介

在讲解之前，我们先给推荐系统产品下一个比较形式化的定义：所谓推荐系统产品，就是网站或者APP中基于算法或者策略为用户提供物品展示的软件功能模块，用户通过与产品交互从该模块中获得物品的视觉展示，最终用户可以通过该模块更快地“消费”物品，该模块在满足用户需求的同时提升用户体验、增加用户留存、通过用户分享获取新客、带来效果转化。

上面这个定义中有几点需要说明一下：首先，推荐产品是软件产品中的一个或者多个子模块，每个推荐模块就是一种推荐产品形态；其次，为用户展示物品是通过算法或者策略实现的，一般来说，推荐算法是通过机器学习技术自动化地生成物品列表，而不是人工编排的；再次，推荐产品是一个功能点，这个功能点需要通过与用户交互才会生成推荐列表，交互的过程是否自然流畅，对用户体验和效果转化是有极大影响的；最后，推荐产品是有一定的商业目标的，目的是提升用户体验、增加用户留存、通过用户分享获取新客、产生效果转化(如购买商品、购买会员、下载软件等)。

推荐系统涉及到两类实体：人和物品，推荐系统解决的就是信息匹配的问题，将物品匹配给对该物品有兴趣的用户，让用户可以看到它，进而“消费”它。匹配的准确度和及时性是非常重要的，这对推荐是否可以实现商业目标极为关键。从物品的角度看推荐系统也很重要，特别是像头条、淘宝这种平台型的公司，物品是由第三方（对于头条，是MCN机构、创作者等，对于淘宝是品牌方、店主等）提供的，因此怎么将好的物品分发出去为优质物品提供方带来价值对于整个生态的维护和繁荣至关重要。

二、推荐产品形态介绍

所谓推荐产品形态是指产品上可以直接被用户接触到的各种基于推荐算法生成的功能模块，也就是产品上的具体功能点，用户是可以直接看到、触摸(触屏交互)到的。

根据推荐的个性化程度及推荐服务的使用场景，推荐产品形态主要分为热门/榜单推荐、个性化推荐、信息流推荐、物品关联推荐等4种。下面我们分别讲解这4种最主流的推荐产品形态。

1. 热门推荐/榜单推荐

热门推荐/榜单推荐是通过简单的数据统计，将网站或者APP上最受用户欢迎（比如点击最多、购买最多）的物品计算出来作为推荐。这种推荐的底层逻辑是基于人的从众效应、人类进化出的共性和人的社会属性，大家都喜欢的物品，我们喜欢的概率确实是比较大的，因为我们人类是“爱好相似”的，另外喜欢大多数人喜欢的物品也可以增加社会认同感和归属感。

传统门户网站的编辑对内容的编排就可以看成是一种类似的策略（只不过这是基于编辑的经验来决定哪些物品可能是用户感兴趣的）。下面图1是微信看一看中的“热点广场”，这就是一种热门推荐。

图1：微信看一看中的“热点广场”

在具体实施时，热门推荐可以有两种实现方式：一种是所有用户推荐的都是完全一样的，在这种方式下，先计算全局的TopN物品（比如根据播放量排序的TopN列表；或者基于多种策略获得的TopN列表，比如上图中基于你有多少个朋友读过）然后推荐给用户；另一种是先计算全局的TopM物品，然后根据用户的兴趣特征对这M个物品基于用户兴趣排序，将排在前面的N个（即用户最感兴趣的N个）物品推荐给用户（这时推荐给用户的N个物品是这M个物品的一个子集，即 N < M）。上面微信看一看中的热点广场采用就是个性化的热门推荐策略。

热门推荐可以独立作为一个产品形态来服务用户，也可以作为其他推荐（比如个性化推荐）的冷启动策略，即当一个用户是新用户时，我们无法知道他的兴趣点，这时我们可以利用热门推荐作为该用户的初始推荐，这还是基于上面提到的“人有共同的爱好”的假设而采取的策略。

2. 个性化推荐

个性化推荐为每个用户推荐的内容都不一样，是根据用户的行为及兴趣来为用户做推荐的，是最主流的一种推荐形式。大多数时候我们所说的推荐就是指这种形式的推荐。下面图2是淘宝首页的猜你喜欢推荐，这个推荐就是个性化的，每个人推荐的都不一样。

图2：淘宝首页的猜你喜欢推荐，不同用户推荐的商品不一样

完全个性化也可以基于用户的好友关系来做推荐，下面图3是微信看一看中的“朋友在看”模块，是基于社交关系的个性化推荐，这种推荐将你的好友爱看的内容推荐给你。

图3：微信基于社交关系的个性化推荐

从用户行为的角度看，个性化推荐可以分为只基于用户个人行为的推荐和基于群体行为的推荐两种范式。基于个人行为的推荐，在构建推荐算法时只依赖该用户个人的行为，不需要其他用户的行为，常见的基于内容推荐就是这类推荐算法。基于群体行为的推荐，除了利用自己的行为外，还依赖其他用户的行为来构建算法模型，这类推荐算法可以认为是全体用户行为的“协同进化“，像协同过滤、分解机、深度学习等推荐算法都是这类推荐范式。

3. 信息流推荐

信息流推荐其实是个性化推荐的一种特例，只不过是采用实时信息流的方式与用户进行交互的。随着头条、抖音、快手的流行，信息流推荐越来越受到业界的重视，并在产品中发挥了极大的商业价值。信息流推荐比较适合提供“快消”类物品的产品，用户可以在碎片化时间中获得更好的使用体验。

信息流推荐的特点是实时性、瀑布流式的内容组织形式。实时性是基于用户的实时行为（即挖掘出用户的实时兴趣）来及时调整用户的推荐结果，互动性更强，给用户更加精准、更懂用户的感觉。瀑布流的组织方式让用户更有沉浸感，就像是置身在信息的洋流中，用户只需要筛选自己感兴趣的内容消费即可，内容就像水流一样从用户眼前流过。

信息流推荐的用户体验更好，互动性更强（用户可以下拉刷新推荐结果），让用户有所见即所得的直观感受，信息流推荐也更加有挑战性。信息流推荐需要实时收集用户行为数据并实时挖掘用户兴趣特征，整合到推荐模型中，近实时反馈给用户，这对信息的收集处理提出了极高的要求。另外，信息流推荐的UI交互也需要更加友好，可操作性要更强。大家熟悉的抖音就是信息流推荐（见下面图4），目前的推荐行业的趋势是越来越多的推荐产品都信息流化了，比如淘宝、京东、拼多多、微信、B站、知乎等产品上的推荐都采用了信息流的方式。

图4：抖音首页的信息流推荐

虽然信息流推荐的效果和用户体验更好，但是不是所有位置的推荐都适合做成信息流的。一般信息流会放在用户曝光比较频繁的位置（如首页），当用户进入时就更容易沉浸在其中。如果某个推荐产品在APP的某个分类下，用户访问的频度很低，这时做成T+1推荐就足够了，否则ROI（投入产出比）就太低了。

4. 物品关联推荐

物品关联推荐是用户在浏览物品详情页时，或者浏览后退出详情页时，关联一批相似或者相关的物品列表。下面图5是淘宝上的商品关联推荐，当你进入一个商品的详情页然后退出时，会在该商品的下面用4个小图的形式展示关联的商品作为关联推荐。

图5：淘宝商品的关联推荐

物品关联推荐也可以做成信息流的方式。还是上图中的瑜伽服，点击进去时就出现了下面图6中的信息流样式，你可以无限地下滑浏览相关的商品。这个推荐每次进入关联的结果都是不一样的，也一定是做成了个性化的了，即不同的用户进入该商品的详情页获得的关联推荐结果是不一样的。

图6：淘宝上物品关联推荐的信息流

上面我们简单介绍了4种常用的推荐产品形态。在实际业务中最主要的产品形态是关联推荐、个性化推荐。关联推荐之所以重要，是因为该推荐产品形态是一种用户触点多的产品形态，用户在产品上的任何有效行为最终都会进入详情页，该产品形态跟用户的接触面广，流量大。个性化推荐为每个用户都提供不一样的推荐，这类推荐一般可以部署到产品的首页，产品首页是流量最大的地方，是用户的必经之地。如果推荐效果做得好，可以产生极大的商业价值。现在淘宝、京东、拼多多首页都已经个性化了，并且都做到了实时个性化（即信息流推荐）。

三、推荐系统运营介绍

前面我们对推荐系统产品做了简单介绍，下面我们来说说与推荐系统运营相关的主题。推荐系统是一个强业务的系统，虽然整个推荐流程可以利用机器学习技术做到全自动化无人干预，但是不能所有的工作都交给机器去完成，在推荐的过程中需要发挥人的主观能动性，发挥人对行业、对人性、对情感方面的积极价值。

推荐系统可以看成是一种运营的工具，运营人员通过推荐系统可以做到更加精准的、粒度更细（千人千面）的用户运营。大家熟悉的用户画像是可以用于做精细化运营的，运营人员通过用户画像系统圈定一批人(具备相同标签的一组用户)，并对这批人做统一的运营。比如视频行业的会员精细化运营，当会员快到期时，可以借助精准运营留住用户，具体做法是：将快到期的会员用户圈出来，针对这批用户做会员打折活动，促进用户产生新的购买，从而留住会员用户。这种通过圈人做精细化运营的过程可以看成是人工介入的、人起主导作用的一种半自动化的推荐。关于推荐系统与精细化运营的关系，读者可以参考我出版的专著《构建企业级推荐系统：算法、工程实现与案例分析》中第23章「推荐系统与精细化运营」，那里有非常全面的介绍。

另外，推荐系统的整个流程是可以人工参与进来的，下面对几种比较常见的、可以发挥人的专业价值的情形做一些简单说明，让读者更直观地理解运营在推荐中所产生的价值。

首先，待推荐的候选物品池是可以人工圈定的，这可能是基于内容质量或者安全性考虑(过滤掉质量不高的内容，过滤掉比较低俗的内容等)，还可以人工基于专业知识精选一批内容作为待推荐的候选集。

其次，很多推荐算法中的策略是需要运营、产品人员制定或者参与制定的。因为很多策略是偏业务的，比如公司近期进入一个新的领域（如淘宝开拓一个新的商品门类），是需要加大对这个领域物品的支持力度的，这时就需要人工调整该类目下物品的权重，给出更多的曝光机会。

再次，推荐算法在最终结果展现给用户之前也是需要经过运营调控的。比如需要考虑到物品覆盖的广度，需要人工添加某些合作、推广的物品。对于在推荐列表中插入广告营销的场景，也是需要人工制定规则来控制广告的数量和频度的。

最后，推荐系统在前端UI层面的展示位置、展示数量、排布规则、交互形式等都是需要运营或者产品人员进行统筹规划的，因为这时需要将推荐系统看成整个产品中的一个模块，需要推荐模块跟其他模块有很好的配合，各自发挥自己的独特价值，所有模块作为一个整体更加一致、高效地服务于用户。

关于在推荐系统中怎么整合人的专业价值，在运营层面人可以从哪些维度去优化整个推荐系统流程，大家可以参考我出版的专著《构建企业级推荐系统：算法、工程实现与案例分析》中第24章「推荐系统的人工调控策略」，那里有非常具体和详细的介绍，这里不再赘述。

总结

本章我们讲解了推荐系统产品与运营相关的基础知识，对这块内容的学习和了解可以更好地方便我们后续章节的学习。推荐系统是一个强业务系统，产品与运营在推荐系统整个生命周期中有着不可替代的价值。

从产品上看，推荐系统一般分为热门推荐/榜单推荐、个性化推荐、信息流推荐、物品关联推荐等4大类主流的推荐形态，其他推荐形态基本都是这几种形态的变种、组合，或者在特殊场景下的特定展现形式（比如在用户搜索无结果时，给出个性化推荐）。这4种推荐形态中又以个性化推荐、物品关联推荐最为重要。信息流推荐只不过是个性化推荐的一种特定形式，当前越来越受到关注和重视，基本所有的个性化推荐都信息流化了。

推荐系统是一种强运营的系统，运营人员可以在推荐候选集选择、推荐策略制定、推荐结果调控、推荐UI布局等方面参与整个推荐系统的调控。通过运营人员专业知识的加持，推荐系统可以更好地发挥出业务价值。

我出版的畅销书《构建企业级推荐系统：算法、工程实现与案例分析》，可以跟这个系列文章一起阅读，大家有需要可以点击下面链接购买。