1704850052
一方面，规则是最快的上线生效途径，可以用于纠偏、提权等操作。举个例子，在《中国有嘻哈》开播之前，大众是不知道红花会是什么的。彼时你搜索红花会，搜索引擎会告知你它是金庸先生《书剑恩仇录》里的一个江湖组织。而当《中国有嘻哈》开播后，所有人突然开始搜索红花会了，系统的滞后让它无法快速理解用户的真实意图。这时，产品经理就该进行规则干预了，标注红花会是一个嘻哈团体。
1704850053
1704850054
另一方面，我们需要认识到的是：短期的干预是应该逐步被长期的机制所替换的。规则就像打补丁，短期打补丁能够遮住窟窿，但长期补丁叠补丁这衣服就没法穿了。太多的规则系统会严重增加系统的复杂度，降低可理解性。
1704850055
1704850056
同样以“红花会”为例。在这个问题上，我们应该下力气解决系统的滞后性，让它能够更快速地实现搜索意图理解的进化（比如监控全网产出的新内容，分析其中的共现词汇特点）。如果有一天，有位流量明星主演了《书剑恩仇录》，那么大众对“红花会”的认知，是否又会重回武侠小说了呢？系统里配置的规则“红花会=嘻哈团体”是否又会变得不合时宜呢？
1704850057
1704850058
我个人笃信的是：从长线来看，人力所能覆盖的规则语义和逻辑复杂度是无法胜过机器的。对于初始场景或应急情况，规则系统必不可少，是用于保证服务质量底线的措施。但随着系统的逐步复杂和进化，产品经理也应该学会退位，让机器不断逼近更好的上限。
1704850059
1704850060
1704850061
1704850062
1704850063
内容算法：把内容变成价值的效率系统 [:1704849725]
1704850064
内容算法：把内容变成价值的效率系统 推荐的起点：断物识人
1704850065
1704850066
尽管推荐系统中应用了各种高深的算法、架构，但其基础原理是朴素的：更好地了解待推荐的内容，更好地了解要推荐给的人，从而更高效地完成内容与人之间的对接。断物识人，是一切推荐行为的起点。
1704850067
1704850068
断物
1704850069
1704850070
想要把内容推荐给人，首先需要充分理解内容的特点到底是什么。如果连待推荐内容的特点都说不明白，那就妄论推荐效果了。更好的提取和表达待推荐内容的特点，就是断物的意义所在。
1704850071
1704850072
如你所熟知的那样，断物最简单的方式就是“贴标签”。
1704850073
1704850074
介绍人或者物品，就是贴标签的一个典型应用。先提这样一个问题，你怎么向朋友介绍一个他一无所知的人？
1704850075
1704850076
如果你的朋友是程序员，你也许会说：“他是今日头条的高级工程师，负责某系统的开发。”对你的球友，你也许会讲：“他大学时期是校篮球队的，拿过两次全市冠军。”对你的酒友，介绍方式或许又变成了：“我担保他是个好酒友，有量有趣，从不冷场。”
1704850077
1704850078
“高级工程师”“篮球”“有酒量”“人有趣味”都是用来描述同一个人的标签，有职业维度、有兴趣爱好。为了说明不同维度的程度，你还会辅以可量化的信息，如“负责某系统的开发”“拿了市冠军”等；对于不好量化的部分，则会用自身的认知和信誉作为佐证：“我担保……”
1704850079
1704850080
但是，这个人只有上述这些特点吗？当然不是。也许他又帅又高，有八块腹肌；也许他爱好跑步，能够跑下来马拉松全程。那为什么你在介绍的时候，只选择了他的部分标签呢？因为你考虑了受众的特点，选择了对受众来说，最容易引起共鸣、也最具有代表性的标签。给球友介绍他是高级工程师、给酒友介绍他是校篮球队的成员，尽管从输出信息的准确性上来看并无错误，但是在信息的接收效果上就产生了偏差。
1704850081
1704850082
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。在不同的应用场景下，我们会对标签全集进行有针对性地投射，有倾向性地选用不同的标签以换取信息匹配效率最大化。
1704850083
1704850084
在上面这个例子中，有人会关心：对推荐对象的信息整理是否可以更好地结构化呢？比如，可以将一个人的信息划分为基本信息（性别、生日）、教育背景、职业信息（公司、职级）、兴趣爱好等。通过更系统化的分类方式，可以完整地呈现出一个人的特点。这其实涉及“标签”和“分类”的关系。
1704850085
1704850086
通常来说，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。比如，将人类属性基于性别划分为男女，就能够覆盖全部人类属性了。由于树状的层次结构性较好，所以在内容的分类查找领域有很多应用。比如，在淘宝购物时筛选的路径如图2–1所示，就是一种分类体系的应用场景之一。
1704850087
1704850088
1704850089
1704850090
1704850091
图2–1 淘宝网购物分类
1704850092
1704850093
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。比如，在一些内容创作平台上，用户就经常会反映自己上传作品没有合适的可选择分类的情况。通常，我们建议由专家系统进行编辑分类，这样才能够最大化分类结构的可用性。
1704850094
1704850095
标签是网状的，更强调表达属性关系（has a）而非继承关系（is a），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，标签是弱化的，每个用户都可参与进来，基于自己的偏好贴标签，从而借助规模效应实现对信息表意完备性的覆盖。
1704850096
1704850097
由于网状结构包含树状结构，故而标签可以被应用于分类的场景。在我们设计系统时，可以先基于产品场景快速覆盖主要标签，再结合标签集合的使用频次、专家建议等因素逐步将部分入口收敛到树状的分类体系中来。
1704850098
1704850099
标签的产出
1704850100
1704850101
标签从何而来？典型的产出方式有专家系统产出（PGC）和普通网友产出（UGC）两种。