編輯導(dǎo)語：運(yùn)營與推薦，仿佛是一個(gè)不可分割的共同體，只有運(yùn)營沒有推薦，運(yùn)營效果會(huì)大打折扣；只有推薦，沒有運(yùn)營，推薦自然也是無法開展。所以，運(yùn)營達(dá)人們?cè)谡莆崭鞣N運(yùn)營技巧的同時(shí)，也應(yīng)該對(duì)于推薦有所了解。這樣才能齊頭并進(jìn)，達(dá)到理想的目標(biāo)。

不想當(dāng)「廚師」的「采購員」不是「好運(yùn)營」，對(duì)于一個(gè)內(nèi)容產(chǎn)品來說，運(yùn)營的日常的工作中，特別是「內(nèi)容運(yùn)營」的同學(xué)會(huì)經(jīng)常和推薦算法同學(xué)有很多工作上的配合。

運(yùn)營同學(xué)像是一個(gè)餐館的采購員，負(fù)責(zé)食材的采買，而推薦同學(xué)就像是廚師，結(jié)合用戶所點(diǎn)的菜單（偏好）采用對(duì)應(yīng)的食材做成用戶大概率會(huì)喜歡的菜肴。

在這個(gè)鏈條里，運(yùn)營同學(xué)在上游，如果引入的內(nèi)容/創(chuàng)作者不夠優(yōu)質(zhì)，就像采買的食材不夠新鮮高質(zhì)一樣，推薦同學(xué)無論怎么努力都很難做出可口的菜肴。

同時(shí)還有另一個(gè)問題，即便運(yùn)營同學(xué)采買了最好的食材，如果推薦同學(xué)做菜的方式有問題，后者沒有最合理的使用食材，也沒有最大限度發(fā)揮食材的價(jià)值，暴殄天物了。

因此對(duì)于運(yùn)營同學(xué)來說，不僅做好自己的上游工作，還非常有必要知道推薦的相關(guān)工作，這樣當(dāng)做出的菜肴不夠好吃時(shí)，我們才能及時(shí)發(fā)現(xiàn)是食材的問題，還是做的方法有問題？更快的進(jìn)行下一步的調(diào)整。

一、必知一：內(nèi)容是如何被推薦的？

對(duì)于運(yùn)營同學(xué)來說，首先需要了解的是：內(nèi)容是如何被推薦的？我們引入的創(chuàng)作者和他們的內(nèi)容，是如何經(jīng)過層層流程，決定是否被推薦，以及被給到多少流量的？

內(nèi)容在進(jìn)入系統(tǒng)后整體的處理流程，不同產(chǎn)品和不通過公司的處理是不太一樣的，但是整體邏輯上基本相同，大模塊的業(yè)務(wù)邏輯基本如下圖。

如上圖所示，當(dāng)用戶上傳一條內(nèi)容后，內(nèi)容會(huì)首先經(jīng)過安全審核的流程，安全審核主要是將一些違規(guī)，黃色暴力血腥的內(nèi)容剔除掉，未過審的視頻基本就永久屏蔽或者直接刪除。

通過安全審核后，大部分內(nèi)容社區(qū)會(huì)有原創(chuàng)審核，將一些重復(fù)上傳或者搬運(yùn)的內(nèi)容過濾掉，原創(chuàng)審核大部分是依靠機(jī)器來審核的，未通過原創(chuàng)審核的就只會(huì)在用戶自己的個(gè)人主頁，或者粉絲的關(guān)注頁等私域展示。

通過了原創(chuàng)審核后的視頻會(huì)再進(jìn)入第一道質(zhì)量審核，質(zhì)量審核主要是把一些無意義、無主題、雜亂的內(nèi)容過濾掉，通過了第一道質(zhì)量審核后，內(nèi)容將會(huì)被推薦系統(tǒng)納入推薦候選池，然后會(huì)給作品最基礎(chǔ)的流量推薦，目的是通過基礎(chǔ)流量后產(chǎn)生的數(shù)據(jù)初步判斷作品質(zhì)量的好壞。

如果基礎(chǔ)流量過后的數(shù)據(jù)反饋較好的話，就會(huì)接著加碼給到更多的流量推薦，拿到更多流量推薦后，如果數(shù)據(jù)表現(xiàn)不好，也會(huì)被停止推薦；數(shù)據(jù)表現(xiàn)好的，會(huì)再進(jìn)入第二道內(nèi)容質(zhì)量審核或者舉報(bào)審核。

第二道質(zhì)量審核主要目的是防止前面的審核會(huì)有漏審，或者有一些不符合社區(qū)內(nèi)容調(diào)性的內(nèi)容出現(xiàn)。舉報(bào)審核是指消費(fèi)內(nèi)容用戶主動(dòng)點(diǎn)擊的舉報(bào)，收到過多舉報(bào)的內(nèi)容一定是有潛在風(fēng)險(xiǎn)，需要人工再次審核。

通過第二道質(zhì)量審核，或者舉報(bào)審核后，作品將會(huì)被持續(xù)給到更多流量，進(jìn)入一個(gè)周期的推薦，成為內(nèi)容平臺(tái)重點(diǎn)推薦的候選內(nèi)容。

但是在整個(gè)持續(xù)推薦過程中，還會(huì)有一些更細(xì)的審核流程，比如高熱審核，針對(duì)全平臺(tái)最熱門的視頻進(jìn)行審核，保證沒有風(fēng)險(xiǎn)，同時(shí)持續(xù)進(jìn)行用戶舉報(bào)審核，及時(shí)發(fā)現(xiàn)潛在違規(guī)作品。

持續(xù)推薦過程中，如果內(nèi)容的數(shù)據(jù)反饋出現(xiàn)下滑，那么會(huì)慢慢的進(jìn)行推薦冷卻，直至停止推薦。

以上所有流程中，被停止推薦的作品，在后續(xù)的 過程中，也會(huì)因?yàn)橐恍┡既坏挠|發(fā)或者其它的召回被重新激活，給到更多流量進(jìn)行推薦。常見的比如遇到節(jié)日，過往節(jié)日類的內(nèi)容就會(huì)被重新召回推薦。

了解了上面的推薦流程后，運(yùn)營同學(xué)就能對(duì)整體內(nèi)容的流轉(zhuǎn)有一個(gè)清晰的認(rèn)知，可以結(jié)合到自己的產(chǎn)品或者業(yè)務(wù)邏輯，細(xì)化整體的流程，這樣當(dāng)遇到問題的時(shí)候，就能及時(shí)的知道目前內(nèi)容處在一個(gè)什么階段。

二、必知二：推薦系統(tǒng)是如何工作的？

上述的推薦流程中，能幫助我們厘清內(nèi)容流轉(zhuǎn)的邏輯，但是在上圖中的流量推薦模塊，到底是如何進(jìn)行推薦的，我們并不清楚。為了搞清楚這個(gè)問題，我們得先對(duì)整體推薦系統(tǒng)有一個(gè)了解。

如果把推薦系統(tǒng)簡(jiǎn)單拆開來看，推薦系統(tǒng)主要是由數(shù)據(jù)、算法、架構(gòu)三個(gè)方面組成。

1. 數(shù)據(jù)主要提供推薦所必須的信息，包括用戶和內(nèi)容的特征信息，用戶對(duì)于內(nèi)容的行為反饋數(shù)據(jù)等；
2. 算法主要是提供策略和邏輯，在海量的數(shù)據(jù)下，人工策略已經(jīng)很難進(jìn)行分析和干涉，因此需要一套算法來自動(dòng)的進(jìn)行信息邏輯處理和返回推薦的內(nèi)容；
3. 架構(gòu)主要是承載數(shù)據(jù)和算法的平臺(tái)，對(duì)接上下游的數(shù)據(jù)和邏輯，保證系統(tǒng)能夠穩(wěn)定、實(shí)時(shí)自動(dòng)的運(yùn)行。

常見的推薦系統(tǒng)如下圖所示：

在上圖的推薦架構(gòu)中，數(shù)據(jù)存儲(chǔ)模塊，主要是負(fù)責(zé)存儲(chǔ)內(nèi)容索引（一種對(duì)應(yīng)到內(nèi)容的邏輯標(biāo)識(shí)，便于找到內(nèi)容）、用戶特征（包含用戶的畫像信息，興趣點(diǎn)等）、用戶日志（包含用戶在客戶端對(duì)內(nèi)容產(chǎn)生的一些行為，比如：點(diǎn)擊、點(diǎn)贊、分享、評(píng)論等）。

推薦算法部分，會(huì)通過內(nèi)容索引對(duì)內(nèi)容進(jìn)行召回，召回的候選內(nèi)容一般都比較多，然后會(huì)經(jīng)過一層過濾，將一些不適合推薦，或者其它運(yùn)營、審核邏輯干涉的進(jìn)行過濾，然后產(chǎn)生的推薦候選池會(huì)進(jìn)行排序。

排序通常分為粗排和精排兩個(gè)步驟，排序的方式是通過用戶的特征，以及用戶的行為日志，將內(nèi)容排成用戶最有可能細(xì)化的順序。這樣最終的排序后的內(nèi)容就會(huì)推送到客戶端，按照客戶端實(shí)際的展現(xiàn)場(chǎng)景進(jìn)行展示。

內(nèi)容展示后，用戶對(duì)其產(chǎn)生的行為就會(huì)通過日志重新上報(bào)，然后實(shí)時(shí)進(jìn)行日志的計(jì)算，用戶畫像更新和推薦指標(biāo)更新，比如ctr等，實(shí)時(shí)計(jì)算完成后，再更新到數(shù)據(jù)存儲(chǔ)中進(jìn)行最后的存儲(chǔ)。

這樣，后續(xù)的推薦取得數(shù)據(jù)都是最新的。

三、必知三：推薦算法核心兩步：召回+排序

上述的推薦系統(tǒng)結(jié)構(gòu)圖，讓我們知道了推薦的上下游工作原理，也知道推薦系統(tǒng)的組成部分有哪些，在這些組成部分里，和運(yùn)營日常工作中交集最多的部分，應(yīng)該是推薦算法部分，推薦算法中最核心的兩步就是：召回和排序。

了解了這一塊，基本也就大概明白了推薦算法的原理，以及我們遇到一些推薦問題的時(shí)候，大概也能知道是哪一塊出了問題。

我們先來看下「召回」，什么是召回？

召回就是指推薦系統(tǒng)通過某種策略從全量?jī)?nèi)容池中選取一部分出來，推薦系統(tǒng)召回的方式一般有很多種，比如常見的熱門召回、協(xié)同過濾召回、興趣標(biāo)簽召回等。

單一的召回有自己的優(yōu)點(diǎn)，但同時(shí)缺點(diǎn)也會(huì)很明顯，因此為了有更完整、全面的召回，通常采用的是「多路召回」，如下圖所示：

如上圖所示：如果我們根據(jù)召回是否有用戶個(gè)性化因素存在來劃分，可以分成兩大類：一類是無個(gè)性化因素的召回，比如熱門內(nèi)容或者歷史點(diǎn)擊率高的內(nèi)容的召回；另外一類是包含個(gè)性化因素的召回，比如用戶興趣標(biāo)簽召回、協(xié)同過濾召回。

簡(jiǎn)單解釋下這幾個(gè)常見的召回策略：

1. 熱門召回：即全站，當(dāng)前按照內(nèi)容各項(xiàng)指標(biāo)計(jì)算得到的綜合分的排序，從這個(gè)排序中召回前k1個(gè)內(nèi)容；
2. 興趣標(biāo)簽：指根據(jù)用戶偏向的興趣標(biāo)簽，比如用戶喜歡看體育中的籃球，那么從籃球這個(gè)標(biāo)簽下召回k2個(gè)內(nèi)容；
3. 基于用戶的協(xié)同過濾：是指計(jì)算出用戶之間的興趣相似度，舉一個(gè)簡(jiǎn)單的例子，比如用戶A喜歡{a,b,c},用戶B喜歡{a,b,d},那么我們可以用兩個(gè)用戶喜歡集合的交集除以并集，得到兩者的興趣相似度，為{a,b}/{a,b,c,d}=0.5；這樣我們找到和推薦用戶興趣點(diǎn)最相似的用戶們，推薦其它當(dāng)前用戶沒有看過的內(nèi)容，比如給用戶A推薦d；可以按照相似用戶中不同內(nèi)容的列表召回Top k3個(gè)內(nèi)容；
4. 基于內(nèi)容的協(xié)同過濾：和基于用戶的協(xié)同過濾類似，這里我們計(jì)算不同內(nèi)容之間的相似度，計(jì)算的方式有很多，簡(jiǎn)單的可以直接喜歡兩個(gè)內(nèi)容的用戶數(shù)之間的重合度來計(jì)算，這樣可以得到和當(dāng)前內(nèi)容相似的內(nèi)容序列，按照相似度進(jìn)行排序，召回Top K4進(jìn)行推薦；
5. 基于社交關(guān)系的召回：一般是通過社交媒體的關(guān)系，將用戶的朋友喜歡的內(nèi)容推薦給用戶，比如微信視頻號(hào)里的，你的朋友點(diǎn)贊的內(nèi)容推薦；
6. 上下文信息召回：是指依照一些時(shí)間上下文，位置上下午進(jìn)行召回，最典型的是在節(jié)日期間，召回節(jié)日相關(guān)內(nèi)容，還有就是依據(jù)地理位置，進(jìn)行附近的內(nèi)容召回。

召回之后的排序，一般分成粗排和精排兩個(gè)階段：

1. 粗排一般對(duì)召回的大量?jī)?nèi)容，進(jìn)行一些簡(jiǎn)單的融合排序，比如多個(gè)召回源，各取TOP k，將大量的召回內(nèi)容，截?cái)嗟揭粋€(gè)可控的量級(jí)（一般到千的量級(jí)），不然精排階段會(huì)非常耗時(shí)；
2. 精排一般都采用模型進(jìn)行排序，排序后召回內(nèi)容會(huì)到百量級(jí)。

精排的方式有很多，最初級(jí)的是策略規(guī)則排序（對(duì)各路召回，指定權(quán)重和規(guī)則進(jìn)行排序），后續(xù)有基于各種模型的排序，有LR（線性回歸）、LR+GBDT（線性回歸+樹模型）、FM（因子分解模型）、DNN（深度學(xué)習(xí)模型）等。

各種模型的排序較為復(fù)雜，很多不具備可解釋性，在這里不再贅述，感興趣的讀者可以自行檢索。

四、必知四：部分書籍和文章推薦

作為運(yùn)營的同學(xué)知道了上述的推薦邏輯后，基本能夠很順暢的和推薦同學(xué)進(jìn)行溝通。同時(shí)，也能及時(shí)發(fā)現(xiàn)推薦系統(tǒng)中可能存在的問題，也能在推薦召回部分、用戶畫像、內(nèi)容特征等維護(hù)根據(jù)自己運(yùn)營的經(jīng)驗(yàn)，給出一些自己的看法。

在寫這篇文章過程中，我也參考了一些書籍和文章，推薦給大家。

參考資料：

1. 《推薦系統(tǒng)實(shí)戰(zhàn)》
2. 《推薦系統(tǒng)》
3. 推薦系統(tǒng)技術(shù)演進(jìn)趨勢(shì)：從召回到排序再到重排
4. 推薦系統(tǒng)怎樣實(shí)現(xiàn)多路召回的融合排序
5. 【機(jī)器學(xué)習(xí)】邏輯回歸

#專欄作家#

南村小付，微信公眾號(hào)：南村小付，人人都是產(chǎn)品經(jīng)理專欄作家?？焓指呒?jí)產(chǎn)品經(jīng)理，曾任職阿里，歡聚時(shí)代，7年互聯(lián)網(wǎng)產(chǎn)品設(shè)計(jì)運(yùn)營經(jīng)驗(yàn)。

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自Unsplash, 基于CC0協(xié)議