相关不相关，全靠文案掰

无论是在详情页或是关注页，我们都能够看到相关推荐模块的身影。

该模块往往基于页面的主内容进行相似性、关联性拓展，试图引导用户在完成当下的消费行为后，进行进一步的消费行为（如下图中的关注推荐）。

本质上，相关推荐模块是对用户及时性行为的一种反馈。

如前所述，从理想态来看，如果我们系统的反应足够迅速，是不需要相关推荐的。结合用户最新行为进行重新计算，得出的推荐结果大概率是最优的。

但实际的承接上，或是工程上做不到如此高效的反馈，或是收益上无需做到如此灵敏的反馈，都使得我们需要一个折衷性的解决方案，用一个成本不那么高的“离线+规则”系统来构建出相关推荐模块，从而获取增量收益。

1►基础策略

相关模块是基于被点击的主内容进行拓展的，那么结合场景和用户行为，基于主内容 A去挖掘潜在的内容 B，就是我们需要重点思考和研究的切入点，即 P(相关内容 B | 场景，用户，主内容 A)，有三种常见的方式：

零策略，基于用户进行推荐。

这种最取巧的做法，直接忽略了主内容 A，只计算P(相关内容 B | 用户 )。 相当于把相关推荐的位置当作了一个简化的列表页入口，完全不考虑用户点击了什么内容，而是直接将预先计算出的内容在详情页提供给用户。

兜底策略，基于被推荐资源之间的相似性计算。

无论是基于静态的自然属性（文本、品类）或是基于动态的用户行为选择（相似的用户群消费），我们都能够离线得到一个内容 A vs {内容 B，内容 C，内容 D}的相似列表。当用户围绕内容 A 产生主动行为时，就认为用户可能会对相似列表中的内容感兴趣。

叠加策略，基于用户的场景、行为路径进行调整。

用户的行为是有场景的，即他是在什么样的路径之下做出了点击的选择，我们的相关推荐模块也可以根据这个语境进行对应的调整。

比如，同样是在某款电冰箱商品详情页里，相关推荐的内容会因为用户的来源不同、行为不同而产生差异性：

• 用户是在搜索“电冰箱”的场景下进入详情页的，我们对于场景里的理解是，用户还是在一个大范围筛选决策的过程中，相关推荐可能应该推荐类似价位、类似配置的电冰箱；

• 用户是在某品牌店里进入详情页的，用户可能对于品牌有预设或倾向性，相关推荐可能应该推荐同店内的类似电冰箱；

• 用户是从购物车里进入详情页的，相关推荐可能应该推荐在购物车里的其他冰箱或其他商品，目标导向是完成从购物车到下单的决策。

• 用户已经发生了购买行为，相关推荐可能应该推荐常和电冰箱有共同购买行为的商品，而不应该重复再推荐其他品牌的电冰箱了。

私域与公域边界的模糊化

在上述的策略里，我们提及到了品牌店、作者主页等场景。

一个可以进一步探讨的问题是，这些页面算是第三方自己所有的么？

如果我们按照古典的思考，会认为一个店铺、作者专区是归属于店铺或作者本身所有的。但事实上，在全局最优化的利益驱动下，私域的界限已经渐渐模糊，让渡给了公域。这表现在，你可能会在 A 店铺的 商品A 的 相关推荐中，看到一个B 店铺的同款但是更便宜的商品B，甚至是 C 店铺的防款商品 C。

从平台交易额最大化的角度，这样全局的相关推荐大概率是最优的，只是这样真的是好的么？对错并无结论，只是一个古典产品经理的碎碎念罢了。

2►推荐理由

在确定了基础推荐策略后，剩下的就是包装了。

首先，先插入一则剑桥大学心理学教授萨托·埃尔文的实验。在有许多学生在排队等着使用打印机的场景下，教授让一个人走到队伍的前面，和大家沟通以让自己先使用打印机。

• 措辞 A:“很抱歉，各位能让我 先打印吗?我赶时间。”有大约六成的人允许这个人排到自己前面。

• 措辞 B:“很抱歉，能让我先来吗?因为我需要打印好几份文件，这些文件急着要用。”有九成以上的人都同意让这个人先打印。

措辞 B 里，“因为”一词的引入，如神迹般提升了通过率。这个词触发了受众的潜意识，使对方相信你的做法事出有因，而非无的放矢。即便这个理由实际上很弱、站不住脚，但仍然会让绝大多数的人条件反射般地同意。

给出一个“因为”，在相关推荐的模块里一样成立：

无论你是通过什么逻辑组织出的相关推荐内容，都可以找一个看似合理的理由包装起来。同样的数据集合，不同的推荐理由，就会带来不同的点击效果。

可以是热门，可以是很多人也在买，可以是相似商品，甚至是一句不知所谓的推介都好。比如，微信公众号使用的是：“喜欢此内容的人还喜欢”，淘宝使用的是“看了又看”，微信读书使用的是“书籍推荐”，QQ 音乐使用的是“相关歌曲”、“相关歌单”。

给出一个“因为”，提升用户行为。