1704850714
一个典型的场景：一个用户下单要去机场，用户身边1公里处有一辆新手车，3公里处有一辆老手车，这个单要下给谁？
1704850715
1704850716
• 纯粹的效率导向：下给新手车，新手车由于距离因素能够更好地满足用户的需求。
1704850717
1704850718
• 实际操作：平台应该做的是在用户可接受的服务体验下，阶梯性地优化有积累的司机的利益。将更好的单子倾斜给老手车，且将这种决策同步给新手车，才能够营造出平台参与者有成长性的群体期望。
1704850719
1704850720
对做撮合生意的平台而言，如果不能将生产端彻底自营化（比如神州专车、界面澎湃新闻），那就始终需要解决生产端的预期管理问题。与生态共赢，并不是说说而已。
1704850721
1704850722
1704850723
1704850724
1704850725
内容算法：把内容变成价值的效率系统 [:1704849729]
1704850726
内容算法：把内容变成价值的效率系统 常见的推荐问题
1704850727
1704850728
在推荐系统的实践中，我们常会遇到各种问题。在这一章里，我们会选择一些常见的问题进行讨论。
1704850729
1704850730
推荐重复
1704850731
1704850732
在内容生产门槛不断降低、产量持续攀升的背景下，当一个新闻事件发生后，权威新闻源会发布新闻通告，自媒体会从不同角度进行评论，搬运工也会批量产出蹭热点的内容。
1704850733
1704850734
内容的大繁荣也带来了信息的过载问题。对用户来说，其需要的是有价值的信息而非千篇一律的内容，用户可能会厌恶列表页上千篇一律的标题，更会因为点击了标题后却发现内容了无新意而怒发冲冠、拍案而起。
1704850735
1704850736
重复，对于内容推荐来说，是一个必须解决的问题。
1704850737
1704850738
结合用户的使用过程，我们将用户对内容的消费拆解为列表页消费和详情页消费。前者关系到点击前的消费预判（如图6–1左），后者则代表了用户点击后的消费体验（如图6–1右）。
1704850739
1704850740
1704850741
1704850742
1704850743
图6–1 列表页消费和详情页消费
1704850744
1704850745
基于这两个维度拆分，我们能够得到一张2×2的表格，如表6–1所示。
1704850746
1704850747
表6–1
1704850748
1704850749
1704850750
1704850751
1704850752
四种场景分别对应了内容重复的四种处理方式：
1704850753
1704850754
情况A（甲、乙两篇内容，列表页和详情页都相同）：
1704850755
1704850756
从消费角度来看，甲、乙两篇内容对用户来说是具有替代性的。用户消费了甲内容之后，大概率不需要再消费乙内容了。那么，对推荐系统来说，就需要从甲、乙两篇内容中进行选择，选出应当展示给用户的内容。因此，问题从内容选择转变为信息源选择，需要深究重复构成的原因和内容的消费特点。
1704850757
1704850758
• 搬运号对原创内容的抄袭：展示原创内容，对搬运者进行惩罚。
1704850759
1704850760
• 媒体机构发布的新闻通稿：选择首发、权威度高的媒体，或是基于用户订阅关系，给用户推荐他订阅的自媒体。
1704850761
1704850762
• 热点转发内容：在这种场景下“被谁转发”是有一定信息量的。我们会基于用户跟转发者关系的紧密度来判断是否需要展示，紧密度低则不展示。
1704850763