1704850318
1704850319
1704850320
1704850321
1704850322
图4–2 基于Top热榜的推荐示例
1704850323
1704850324
基于时下流行的推荐，Netflix应用Trending Now算法给用户推荐他们可能关心的短期热点，从分钟维度到天的维度不等。典型的应用场景有两种：周期性消费（节假日、重要赛事等），如情人节一定是爱情电影的消费高峰期；短期热门事件消费，如发生飓风后，有关飓风的纪录片或电影就会有一段短暂的消费高峰。对应到电商场景，这种季节性消费的特点也会比较明显，如不同季节的服饰购买需求、不同时节的农产品购买需求等。
1704850325
1704850326
继续观看的场景。推荐运用Continue Watching算法，基于用户未看完的内容或正在追的剧集进行推荐。在这一场景下，并不是将用户未看完的内容以时间逆序罗列，而是综合考虑了上一次的观看时间、观看行为（暂停在了开头、结尾）等进行动态调序。此外，考虑到存在家庭账号共享的行为，算法也会进一步基于设备信息来推断当前这一用户是谁，从而展示相应的观看历史。
1704850327
1704850328
搜索的场景。推荐在搜索的场景下主要用于搜索词和搜索结果的补充推荐。以图4–3左侧为例，用户搜索“usual”，但对应的影片“The Usual Suspects”系统中并未收录，从而用户得到的反馈是基于搜索意图的推荐结果；在图4–3右侧，用户输入了“fren”，除了界面右上角为搜索结果外，其余都是推荐结果，界面左下方展示了搜索词的补全，右下方展示了“French Movie”的推荐结果。
1704850329
1704850330
1704850331
1704850332
1704850333
图4–3 基于搜索场景的推荐示例
1704850334
1704850335
交互界面
1704850336
1704850337
如果说推荐算法的好坏隐性地影响着用户的体验，那么交互界面的好坏正在显性地影响着用户的感知和行为。
1704850338
1704850339
以最常见的推荐理由为例，这一设计广泛应用于内容推荐、电商推荐的场景。如图4–4和图4–5所示，亚马逊提供的是“购买此商品的顾客也同时购买”商品推荐列表，微信看一看提供的是“好友都在读”“技术大咖在读”内容推荐标签。
1704850340
1704850341
从工程的角度出发，推荐理由提升了推荐系统的透明性，让用户明白为什么会推荐该种类型的内容。站在业务的角度，会更多地从促成转化入手，即什么样的推荐理由可以增加说服力，引发用户认同。
1704850342
1704850343
1704850344
1704850345
1704850346
图4–4 亚马逊商品推荐列表截图
1704850347
1704850348
比如“技术大咖在读”这样的标签，从信息量上来看，弱化为“技术”足矣，保留此种说法的目的是为了满足用户的虚荣感。这跟服装店里导购员对你说的“美女，这件衣服好适合你啊，穿上特别显瘦”是一个道理。
1704850349
1704850350
另一方面，交互界面的调整也能够给系统带来更多的数据反馈和沉淀，我们通常将更被希望引导的用户动作以强形态展现（如更强化的设计、更好的入口位置），并辅以各种引导和降低门槛的措施。以大众点评为例，用户产生的商铺点评是大众点评社区内容体系中非常重要的一环，其点评界面如下：
1704850351
1704850352
1704850353
1704850354
1704850355
图4–5 微信看一看内容推荐截图
1704850356
1704850357
输入框，通过提示的方式引导用户从口味、环境、服务的角度来切入，避免无话可说的情况；图片上传，以积分和后续的等级体系、抽奖反馈来激励用户；推荐菜，直接展示了热门菜供用户选择。各种引导和降低输入成本的措施，促进了单页面的内容积累量增加。
1704850358
1704850359
交互界面的迭代辅助了用户的决策，引导用户按照系统所期望的方式前进，以实现提升系统指标的最终目的。因此，对推荐系统而言，有着“交互界面 > 数据 > 算法”的说法。
1704850360
1704850361
1704850362
1704850363
1704850364
图4–6 用户产生的商铺点评界面
1704850365
1704850366
推荐系统评估指标
1704850367