推荐相关的观点、典型例子记录

1、广告、搜索、推荐相关人员与技术和业务产品之间的关系，想将广告和搜索做好更多的从广告系统（技术）和搜索系统（技术）的角度出发即可，但是想把推荐做好需要从推荐产品的角度出发，而不仅仅是推荐系统（技术）的角度。基于此一个懂算法的产品经理或是能用产品语言沟通的算法工程师是难能可贵的！！！

2、关于产品与算法的关系，产品是1，算法是0。没有合适的产品之前，算法对用户几乎不产生什么价值，一旦产品成立，算法能让产品实现质的飞跃。对于跟产品端走得更近的推荐算法而言，这个效应尤其明显。

3、推荐技术是否能成就一个伟大的产品（公司），就像搜索技术之于google一样？——因为搜索技术的革新促成了google（搜索产品）的成功，但基于推荐技术对产品的强烈依附关系，它不会促成一个产品，而是会在和产品的相互作用下，锦上添花，形成一种用户习惯。（注：今日头条不算是一种基于推荐技术而成功的大公司吗？）

4、个性化技术是解决信息过载问题的，一个产品引入个性化的前提条件是：

4.1、item数量足够多

4.2、item类型对用户产生的分众

拿电影和图书做对比，每年产生的图书比电影至少多一个数量级，图书在种类和分众性上也显然比电影强得多，特别是在国内环境对于电影偏好趋同性高度一致的情况下。这也是个性化商用技术最早由amazon图书发端的一个原因。而几年前豆瓣各产品线分拆，算法技术也独立发展，图书更强调个性化，电影更强调热门与根据标签筛选，也是同样道理。以上论述不意味着电影就不需要个性化，比如netflix，在美帝可被接触到的优质片源更多，用户品味更分散的条件下，个性化仍然是必须的，特别是近年来netflix的业务不仅局限于电影之后。

5、一个产品从零开始考虑上个性化，未必要一蹴而就，它有一个判断的渐进路径：排行榜->分类排行榜->分人群个性化->针对个人的个性化。如果前一个方案能解决问题，就没必要走到下一步。即便走到最极致的个性化，之前几步的解决方案也需要同时存在于系统之中。

6、经历的两家公司正好代表了两种不同类型的推荐诉求——基于用户社区的兴趣型推荐，和以商业目标实现为前提的推荐（市面上还有其它类型差别较大的推荐）。注意到它们的差异，并采取不同的措施是件相当有价值的事情。

7、推荐的衡量指标决定了努力方向，面对不同的推荐场景，一个重要的原则就是不要用同一套标准去衡量你的工作结果。

8、ctr、precision/recall、rmse是衡量一个单一算法，而不是一个推荐系统的指标，或者说，不是衡量跟它绑定在一起的推荐产品的指标。要推动产品和算法形成一个适合自身的指标非常困难，需要多方人员的认知并达成共识。——现在视讯的状态就是我们提出衡量feed流推荐的优劣的三个指标。

9、个性化直白的说就是让所有人都满意，并不是满足80%的需求，牺牲掉20%。由此可见其极端困难程度。

10、另一个案例比方说淘宝搜索个性化，如果我们衡量的指标是ctr、cvr，只要我们照顾好那80%大众用户和爆款商品，就能用最简单的方法获得最好看的统计数字指标。然后用他们产生的数据继续训练我们的模型，同时强化了这个结果。于是那20%（或许价值巨大）的用户永远也无法进入我们的视野，这终归是个蹩脚的个性化系统。

11、数据质量决定了算法效果的上界，算法模型的变换、算法参数的调优只不过是在努力逼近这个上界而已。所以，要想让你的算法产生更好的效果，有两种途径：优化算法；或者优化数据——具体到推荐领域，主要是优化人与系统的交互数据，但这不是单纯的算法问题。

12、不要过度迷信算法的作用，要充分利用产品和生态的力量。数据优化的增益能极大提升算法优化的上界。

13、这里有一个案例，是我们前阵子跟的手机淘宝商品详情页的同店商品推荐，在一个较长期的纯粹算法层面的ctr预估版本的改进中，点击率提升了几个百分点。后来我们发现该模块的数据来源于两处——算法和卖家自定义。而实际上，后一个来源几乎不起作用（注：作者的意思应该是：对于增加点击率不起作用）。实际数据对比也显示算法来源产生的点击和成交都三倍于店家自定义的数据结果。如果我们在业务上推动数据源全切换到算法来源，预期带来的效果提升比之前纯粹的算法改进要高出一倍。这个提升不牵涉到任何的模型改进，但需要算法人员保持对业务的关注和理解，而不是一直躲在后面。

 

 

参考文献：

1、https://zhuanlan.zhihu.com/p/28886858（注：这篇文章的观点成形于2014年，作者：知乎-阿稳）