1704850299
内容算法：把内容变成价值的效率系统 [:1704849727]
1704850300
内容算法：把内容变成价值的效率系统 从算法到应用
1704850301
1704850302
介绍了系统架构、内容画像与用户画像的建设、基础推荐算法，推荐系统的骨架算是大体搭建完了。然而，作为一套提供综合服务的推荐应用，仅有骨架是不够的，还需一副花样皮囊，通过场景划分和交互界面来实现效能最大化。
1704850303
1704850304
场景划分
1704850305
1704850306
一个复合型产品是包含多场景的，推荐算法会针对不同场景做出相应的调整和适配。参考2015年Netflix发表的论文，我们可以一窥在不同场景下Netflix的产品设计和算法应用。
1704850307
1704850308
垂类个性化推荐视频，如图4–1中的悬疑电影推荐、浪漫电影推荐，应用了PVR（Personalized Video Ranker）算法，针对每个用户推荐个性化的内容。这使得用户在同一类目下（如图4–1中的悬疑电影、浪漫电影）也会有不同的消费体验。
1704850309
1704850310
1704850311
1704850312
1704850313
图4–1 Netflix电影推荐界面
1704850314
1704850315
基于用户的消费历史推荐（Because You Watched），如图4–1中“因为您观看了电影，为您推荐”，这种场景与电商网站“买了某商品的用户还购买了某某商品”很类似。推荐算法会计算两个物品之间的相似度：既可以是基于内容特征本身的相似度，也可以是基于协同过滤的相似度。通过计算相似度产出候选集，并在该集合之上进行个性化的排序和推荐。
1704850316
1704850317
基于Top（排名靠前）热榜的推荐，应用了Top-N Video Ranker算法。与PVR算法应用于特定垂直类目不同，Top-N Video Ranker算法选择的是多个召回序列的头部结果，优中选优，基于全品类内容提供推荐。
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。