推荐算法基础认知

什么产品需要推荐算法？

以内容消费为主场景的产品，比如新闻类的头条，社区类的知乎、小红书等等。前提是产品的内容数量足够多，一般见于平台，如果只是媒体，比如好奇心日报，每天内容产量只有几十，还远不到可以采取推荐算法的程度。推荐算法是为了适应不同用户的口味，但如果用户量不够，提升用户量更优先。

如何考核推荐算法的带来的提升？

主要分两类，一类是在信息流就消费完内容的产品，比如微博、Instagram，主要考虑刷屏数和人均停留时长，另一类是信息流只提供摘要，需要点击进入详情页消费内容的产品，例如头条、知乎，这类产品主要考察 CTR（点击率），次要考虑刷屏数和人均停留时长。

但最终还是要着眼于留存。既然内容消费是主场景，推荐算法做得好，一定会体现在用户留存上。如果 CTR 和刷屏数上去了，留存却没有涨，要反思一下产品的主场景是不是出了问题。

具体操作

一是内容本身的信息，标题、摘要、阅读量、评论数、配图（单配图或三个配图）、内容组合（三条单图接着一条三图）、样式，这些都会决定内容的点击率。可以由人工编辑来修改标题、摘要、配图，来提升质量。如果有需要，也可以结合完篇率、分享率、互动率来分配权重。

值得一提的是，要考虑内容卡片的高度和收益的关系。占 1/2 屏幕高度的内容卡片，点击率至少要是占 1/4 屏幕高度内容卡片的两倍，否则不值当。

二是内容的推荐维度，用户画像（兴趣、地理、年龄）、社交关系（关注者发的内容、喜欢的内容）、协同过滤（同样喜欢这篇文章的人还喜欢什么文章）、平台热度，都是常见的维度。需要多维度结合，不能只推一种。

步入正轨后，可以进一步引入 downvote（不感兴趣）功能，让用户自行选择降权内容的推荐维度。如果同一内容被多次标记，也可以整体降权。

推荐池

算法推荐的内容，来自推荐池，有可消费性的内容才能进入推荐池。如果是 UGC 产品，不代表要把所有用户生产的内容都纳入推荐池。激励用户是另一回事，可以通过别的手段解决。

可以通过人工编辑+机器筛选的方式，挑选内容进入推荐池。前者不用多说，后者可以把内容在小范围分发，先验证效果，如果效果好就把内容进一步扩大测试范围。也可以给信任的、有优秀推荐记录的、更新频率高和近期活跃的作者加权。