推薦算法的基本原理表述起來比較簡單，但是具體實施起來還是比較復(fù)雜。沒有任何一個標準的推薦系統(tǒng)，可以適用全部的情形，在真正實現(xiàn)的過程中，需要對算法有融匯貫通的掌握，以及對業(yè)務(wù)本身有深刻的理解。本章會介紹一些碎片化的推薦系統(tǒng)notes。

1. 要解決哪些bad case?

這個問題是推薦系統(tǒng)被設(shè)計出來的根本，產(chǎn)品遇到了哪些bad case,無法通過現(xiàn)有的機制實現(xiàn)，而一定要通過推薦系統(tǒng)才能解決?

以傳統(tǒng)門戶而言，之所以用推薦系統(tǒng)，是因為隨著受眾的增多，受眾對于新聞的偏好越來越多樣化，而針對全體人的推薦系統(tǒng)并不能滿足所有人的需求。編輯默認只會推薦絕大多數(shù)人喜歡的內(nèi)容，國內(nèi)的情況就是“強奸新聞”和“奇聞異獸”，但是這顯然不滿足高端用戶的需求。相反會降低門戶產(chǎn)品的調(diào)性，造成高端用戶的流失。推薦系統(tǒng)就可以根據(jù)不同人的需求推送不同的內(nèi)容，解決這個問題。

這里的要解決的case，如下：

• 如何讓互聯(lián)網(wǎng)新聞偏好者的首頁主要是互聯(lián)網(wǎng)新聞而非大眾新聞。
• 如果讓女性用戶首頁不出現(xiàn)大量男權(quán)色彩重的新聞，比如“強奸新聞”。

只有明確了bad case，才知道了解決問題的方向。

2. 設(shè)計怎樣的合理路徑？

推薦系統(tǒng)最終形態(tài)是基于機器學(xué)習(xí)的推薦系統(tǒng)，那么如果設(shè)計一個一個月就上線的推薦系統(tǒng)，怎樣既保證有效性，同時也又保證最后的合理演化?

舉個例子，如果最終路徑是無人駕駛電動車代步。有兩種演化方案：

• 方案一：電動滑板 → 電動自行車 → 電動摩托車 → 無人駕駛電動車
• 方案二：汽油動力汽車 → 混合動力汽車 → 電動汽車 → 無人駕駛電動車

方案一看似不斷演進，其實每一次都是很大成本的重構(gòu)。而第二個方案，則能看到清晰的技術(shù)演化路線，駕駛動力在演化，最終是無人駕駛系統(tǒng)的上線，而大的架構(gòu)沒有修改。

我一直覺得一個產(chǎn)品經(jīng)理的能力很大程度體現(xiàn)在架構(gòu)思維和中間版本的設(shè)計。

具體到推薦系統(tǒng)的設(shè)計，短期內(nèi)要看到效果，一開始直接上CF，是不明智的，一開始直接上基于語義分析的推薦方法也是不明智的。而如果是利用現(xiàn)有內(nèi)容信息進行人工干預(yù)的聚類，利用這個內(nèi)容聚類去實現(xiàn)用戶聚類，則更加明智一些。后續(xù)轉(zhuǎn)為自動化聚類也更加合理。

3. 可調(diào)整性

推薦系統(tǒng)最需要考慮的問題是，如果出現(xiàn)了問題，怎么可以快速調(diào)整來滿足需求？

措施無外乎三種：提權(quán)，降權(quán)，屏蔽。

這里就要求，權(quán)重是否能夠快速調(diào)整？召回策略是否能夠快速調(diào)整？只有系統(tǒng)級別支持粒度較細的權(quán)重調(diào)整策略，以及靈活的召回策略，才能夠保證策略的快速調(diào)整，保證推薦系統(tǒng)的可持續(xù)迭代。

這也是不建議直接上線CF或者機器學(xué)習(xí)的原因，因為CF和機器學(xué)習(xí)等策略，一開始可調(diào)整性比較差，前期無法快遞迭代，可能對于項目而言，就是死刑。

4. 離線評估、 灰度上線和用戶反饋

離線評估是指在發(fā)布之前，需要去檢驗典型的bad case 是否解決。是否達成一開始的目標，如果沒有，則需要繼續(xù)調(diào)整對應(yīng)算法，直到能夠明顯解決問題。

灰度上線則也是穩(wěn)妥的措施。一開始推薦系統(tǒng)一定是充滿了各種問題，所以為了解決這個問題，剛開始上線一定不能直接全量上線。正確的做法是，灰度上線一段時間期間，快速的根據(jù)用戶反饋迭代算法，再考慮全量上線。

用戶反饋的方案包括但不限于：用戶問卷，負反饋操作入口。典型的負反饋入口如下（今日頭條）：

5. 說服別人的數(shù)據(jù)

所有改進工作效率的系統(tǒng)，都會觸碰別人的利益。這句話話值得讀三遍。

推薦系統(tǒng)正是這樣。如果沒有推薦系統(tǒng)，運營或者編輯能確定所有的位置應(yīng)該擺放什么內(nèi)容。有了推薦系統(tǒng)，原來10個人做的事情可以3個人能做完。那么這個部門裁誰？沒有推薦系統(tǒng)，可能有一些特定KPI完成的余地，甚至可能有利益輸送的空間，現(xiàn)在交給推薦系統(tǒng)，這個損失怎么辦？

另一方面，并不是所有人都有技術(shù)信仰，覺得推薦系統(tǒng)能比運營或編輯的經(jīng)驗判斷會比推薦系統(tǒng)差，如果領(lǐng)導(dǎo)本身對推薦系統(tǒng)有懷疑，這也會是一大阻力。

推薦系統(tǒng)最開始的目標并不是要大范圍的上線，并且證明自己能替代編輯或者運營，而是要能夠說服別人，推薦系統(tǒng)是可用的。這樣才會減少阻力。最常見的做法是在運營或編輯不會干預(yù)的地方，上線推薦策略。因為這些地方上線推薦，業(yè)務(wù)數(shù)據(jù)是絕對的增量?；蛘呷绻谥匾\營位上線，一定不要改變運營或者編輯最好的位置，而是在相對次要的位置增加推薦模塊兒。

而只有在這些位置不斷迭代系統(tǒng)，效果足夠好之后，達到能夠說服別人的時候，再考慮進一步推進推薦系統(tǒng)的覆蓋率。

6. AB test

之前在講搜索的時候，我也是在最后強調(diào)了AB test的重要性。推薦和搜索一樣，本身極大依賴參數(shù)的配置。而這些參數(shù)的配置并沒有通用的法則，同時也依賴各個平臺自身具體的情況，只能在了解其原理的基礎(chǔ)上，不斷迭代摸索。在算法迭代的過程中，能夠測試其效果是算法迭代的核心。只有能同時在線上部署多套搜索算法，并且監(jiān)控其效果，推薦的迭代和改進才能展開。而這一切的基礎(chǔ)，正是一個看不見的功能：AB test機制。

7. 總結(jié)

本期總結(jié)了推薦系統(tǒng)實現(xiàn)過程中一些需要特別注意的地方。

結(jié)束之前，討論另一個問題，推薦系統(tǒng)的產(chǎn)品經(jīng)理需要懂算法么？

答案也很簡單，一定要懂。如果不懂算法，就只能是做簡單的評估并提出改進，很難有系統(tǒng)性的優(yōu)化方案。懂算法也不是要知道具體怎么實現(xiàn)，而是要知道實現(xiàn)的原理，這樣才能更好地把產(chǎn)品需求轉(zhuǎn)為推薦策略，并且和算法工程師商量出解決方案。

#專欄作家#

潘一鳴，公眾號：產(chǎn)品邏輯之美，人人都是產(chǎn)品經(jīng)理專欄作家。畢業(yè)于清華大學(xué)，暢銷書《產(chǎn)品邏輯之美》作者；先后在多家互聯(lián)網(wǎng)公司從事產(chǎn)品經(jīng)理工作，有很多復(fù)雜系統(tǒng)的構(gòu)建實踐經(jīng)驗。

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。