本篇体验与揣测部分为「豆瓣图书」-「喜欢读xx的人也喜欢」推荐模块，如下图。

一、定义理想态

理想态即为「喜欢读xx的人也喜欢」推荐的书用户满意度高/成功率高，即确实喜欢。

二、抽样分析进行调研，确定影响推荐策略的元素

本篇选择一本比较出名的运营书籍《运营之光》（黄有璨著）作为源书籍，其他书籍为被推荐书籍。

根据对页面元素进行梳理，发现可能影响推荐策略的有以下几个部分：图书分类、作者、豆瓣成员常用标签、出版社、以下豆列推荐&关注豆列的人数、每个用户的评分。

梳理如下

梳理后的结果让我有些吃惊，因为有一些推荐的书籍看起来和源书籍的关联度并不是很高。反倒是梳理过程中我发现被推荐的书籍之间的关联度还是挺密切的，如下图

我们可以推测出，豆瓣读书该模块的推荐策略，不是以源书籍为中心，对关联密切的书籍进行推荐的星型结构。

而是以源书籍为一个触发点，不断拓展铺开的雪花式结构，或者说是网状结构。

我们假定最终以目标书籍的推荐分数高低来作为是否推荐的标准。

1.标签与源书籍有重合部分，且被相同豆列推荐的书。标签重合的越高，推荐分数越高。与源书籍同一个推荐队列的关注人数越多（即权重越大），推荐分数越高。

2.用户为源书籍打分6分以上，目标书籍也为6分以上（不含6分），则目标书籍推荐分数加分；

用户为源书籍打分6分以上（不含6分），目标书籍打分6分以下，则推荐分数扣分。

用户为源书籍打分6分以下，说明该用户不喜欢源书籍，该用户为目标书籍的打分不影响推荐分数。

3.推荐位共10个，一旦确定下来前5个推荐的目标书籍。即将这5本目标书籍作为源书籍，按照上述逻辑进行剩余5本的推荐，直到把10个推荐位填满。

雪花型的推荐结构有其优点——可以增加一本原始书籍拓展的内容

但缺点是，拓展的太远，就会使被推荐的书籍与源书籍的关联性变小，使「用户喜欢被推荐书籍」这件事的成功率降低，有违该推荐模块的理想态/初衷。

比如另一本同样比较著名的运营相关书籍《从零开始做运营》居然没有出现在推荐位中，这是让我觉得非常奇怪的。

猜测了一下原因大概在于，上述豆列中带有「产品」标签较多（这可能与产品的热度高于运营相关），而推荐策略对「以下豆列推荐」这部分赋予的权重又比较重，削弱了作品标签，导致同是运营类的书籍没有进入到推荐位。

再叠加雪花型的推荐结构，会导致外层推荐书籍与源书籍的密切程度偏低。