1704850180
动态用户画像数据：用户在产品场景中所产生的显式或隐式行为。显式行为包括对某篇内容点赞、评论、分享，关注了某个作者等。在众多显式行为中，由于产品场景的不同，不同行为的权重也不相同（如对于电商场景，购买的权重>购物车的权重>查看的权重）。隐式行为包括在某页面的停留时长、用户的操作行为轨迹等。通常，显式行为的权重要高于隐式行为，但是由于显式行为更稀疏，所以需要隐式行为来补充验证。
1704850181
1704850182
以下是一些常见的静态或动态用户画像数据：
1704850183
1704850184
位置信息。不同产品对常住位置有不同的应用方式：推荐本地新闻和特定水电暖通知之类的内容是能够想到的最直观的应用场景；美食团购类应用，是默认基于身边位置进行推荐的。但是，当你离开常住城市进入其他城市时就会发现，应用中会增加一个旅行者模块，其提供的内容更多考虑知名度而非距离因素。
1704850185
1704850186
1704850187
1704850188
1704850189
图2–8 美食团购类应用基于位置推荐示例
1704850190
1704850191
除了常住城市的应用外，对于朝九晚五的上班族来说，还有常住地点的概念，如高德地图和滴滴打车中提供的“家”和“公司”的选项。基于日常轨迹和常住地点，系统可以进行一些远距离的推荐，如可以在下班时段推荐家附近的饮食或尝试推荐沿途的消费地点。
1704850192
1704850193
搜索信息。搜索是一个显著表明短期意图的行为，具有随时间衰减的特性。以淘宝为例，当你搜索“螃蟹”之后，那么无论是在淘宝的首页横幅广告，还是在接入了淘宝广告的应用，你都能看到关于“螃蟹”的广告。而当搜索行为过去一段时间或是在你显式购买之后，这类广告的展现就应该降低或停止。
1704850194
1704850195
1704850196
1704850197
1704850198
图2–9 淘宝基于搜索推荐示例图
1704850199
1704850200
评分。评分是最常见的量化行为。如淘宝、京东等购物网站对购物行为不同维度的点评，豆瓣对书籍和电影的打分等，一般都设置为1~5分的评分机制。需要注意的是，不同用户有不同的打分偏好，比如有人习惯性好评，有人则偏严格。因此，需要将用户的历史平均分作为基准进行归一化处理，以衡量用户评分行为背后的认可度。
1704850201
1704850202
收藏。收藏表达了用户对内容的偏好程度。在内容领域，具有工具性或实用性的内容通常更容易被收藏。在电商领域，收藏和加入购物车一样都是用户购买意图的体现。
1704850203
1704850204
分享。除了表达喜好外，分享还传递了用户的立场和态度。比如，用户会阅读、评论很多热门的内容，但在转发的操作上是审慎的。转发到微博或微信朋友圈的动作代表了用户在用自己的社会身份扩散内容。从某种角度而言，转发的肯定意义比收藏、评论等行为的意义要大。
1704850205
1704850206
评论。评论代表了参与度，但不一定明确地关联到态度的好恶。对评论的处理需要进一步进行文本分析，以获取用户的表意性和情感倾向性。在产品层上，淘宝的宝贝印象算是一个典型应用，通过抽离出用户的共同评语来辅助新的消费者进行决策。
1704850207
1704850208
1704850209
1704850210
1704850211
图2–10 淘宝网站宝贝印象截图
1704850212
1704850213
播放比例或播放时长。与点击行为相比，播放时长是一个相对隐性的行为。我们通常可以用播放时长来衡量用户对特定视频点击后的消费体验。2012年，YouTube就已经调整视频排序算法，将获得观看时长更多的视频排在更优先的位置。
1704850214
1704850215
1704850216
1704850217
1704850218
内容算法：把内容变成价值的效率系统 [:1704849726]
1704850219
内容算法：把内容变成价值的效率系统 推荐算法：物以类聚，人以群分
1704850220
1704850221
在理解了内容和用户的基础特征之后，我们将进一步探讨推荐算法是如何匹配用户和内容的。概括而言，这一过程所做的就是“物以类聚，人以群分”。
1704850222
1704850223
物以类聚：基于内容属性的相似性推荐
1704850224
1704850225
有了完善的物品画像，我们就可以基于其固有属性来计算物品与物品之间的相似度，从而推荐与用户历史消费相似的新物品。以内容推荐为例，其用于相似度计算的常见因素有：作者层面的相似性（基于订阅或偏好关系），内容层面的相似性（如关键词、话题、类目、聚类、标签等）。
1704850226
1704850227
基于内容属性的推荐方式，常见于音乐（如潘多拉）、电影和书籍（如豆瓣）的推荐场景中。以图书推荐场景为例，在豆瓣图书上，有三本书分别有如下标签：
1704850228
1704850229
表3–1 图书标签举例