推薦算法在日常生活中的應(yīng)用已經(jīng)越來越普遍。在交友軟件這一領(lǐng)域，平臺(tái)要怎樣通過推薦算法，為用戶提供合理的匹配人選和舒適的交友體驗(yàn)?zāi)?？本文以探探的推薦算法為例，分析了探探在交友匹配上的推薦邏輯，希望能對(duì)你有所啟發(fā)。

筆者一直對(duì)推薦算法有濃厚的興趣，原因在于，做PM的一大樂趣就是揣摩用戶心理，而做推薦策略的最終目的，就更是要猜中用戶所需，因而可以把這項(xiàng)樂趣發(fā)揮到極致。

本次的主題是探探的推薦策略思考，所以我們從推薦算法開始講。常用的推薦算法為基于用戶/物品的協(xié)同過濾，解釋一下，思路就是：找到與你相似的用戶，根據(jù)他的興趣向你推薦；找到對(duì)該物品感興趣的人也對(duì)其他什么物品感興趣，建立物品與物品的聯(lián)系，進(jìn)而進(jìn)行推薦。

比如說呢，張三買了啤酒和可樂，李四也買了啤酒和可樂，那么當(dāng)張三又買了棉花糖，那么就向李四推薦棉花糖；當(dāng)我們發(fā)現(xiàn)買了啤酒的人多數(shù)都又去買了可樂，而沒有人去買棉花糖，那么就可以向買了啤酒的人都推薦可樂。

推薦算法已經(jīng)融入生活中了，目前常用于這么幾個(gè)領(lǐng)域：

除掉協(xié)同算法外，推薦也要基于大量的用戶行為和物品信息。就像如果要給一個(gè)朋友推薦可心的旅游去處，那么我需要先了解他的興趣愛好，再了解各個(gè)旅游景點(diǎn)的特點(diǎn)，才有可能得出一個(gè)符合預(yù)期的推薦結(jié)果。

所以呢，PM首先要了解自己產(chǎn)品中的物品和用戶，而對(duì)于上面說的應(yīng)用場(chǎng)景，PM去設(shè)計(jì)推薦策略的時(shí)候，側(cè)重點(diǎn)和實(shí)操是有所不同的。

比如說，購(gòu)物類產(chǎn)品，需要分析的是物品標(biāo)簽（分類/價(jià)格/熱度/瀏覽-購(gòu)買轉(zhuǎn)化率/與其他物品相關(guān)度……）和用戶標(biāo)簽（地區(qū)/消費(fèi)水平/搜索記錄/瀏覽記錄/收藏記錄/加購(gòu)記錄/購(gòu)買記錄/退換貨記錄……），而各個(gè)標(biāo)簽的所占權(quán)重應(yīng)有不同，在購(gòu)物場(chǎng)景中，“購(gòu)買并確認(rèn)收貨”應(yīng)作為最重要的行為來統(tǒng)計(jì)。

那么對(duì)于音樂和視頻類，很重要的用戶行為就是播放次數(shù)。資訊類里，要考慮的是用戶閱讀全文/評(píng)論/分享的行為，另外區(qū)別于其他產(chǎn)品，資訊類產(chǎn)品中要更多的考慮時(shí)效性，畢竟老電影可以成為經(jīng)典，老新聞只能壓箱底咯。

下面來仔細(xì)聊一聊社交。社交產(chǎn)品是不好做的，因?yàn)檫@個(gè)場(chǎng)景不算得那么剛需，而且互動(dòng)是發(fā)生在用戶之間的。基于人類本身的復(fù)雜性與不確定性，推薦人與人認(rèn)識(shí)比推薦物品讓人下單要來得難得多。但另一方面，正是這樣不確定性增加了工作的可探索性，并且探究人類的心理學(xué)本身就是一種觀察自己的趣味所在。

言歸正傳，以探探為例，它的玩法是上傳自己照片，然后去瀏覽他人照片，喜歡的右滑，不喜歡的左滑，當(dāng)兩個(gè)用戶互相右滑時(shí)，算作匹配，就可以開始聊天。如果中途不喜歡，則可以解除匹配關(guān)系。

通過對(duì)身邊用戶的觀察，我做了一個(gè)用戶行為路徑和一個(gè)使用感受圖示。

這兩張圖說明了什么呢？從開始滑動(dòng)照片，到最后成為朋友，是經(jīng)過了好幾層判斷的，像一個(gè)多層漏斗，每一層流失率相乘，使得最終交友成功的概率偏低。

而低概率的結(jié)果不免使人氣餒，加上年輕人本身存在的社交需求，便產(chǎn)生了圖二的現(xiàn)象：“好無聊，需要人陪，打開app吧”→“app上的人好無趣，卸載吧”→“還是無聊，再去看看吧”→“還是不行，卸載吧”……形成循環(huán)。

這種循環(huán)自然是PM不愿意看到的，根源問題在于每一個(gè)環(huán)節(jié)向下走的概率都不高。筆者認(rèn)為，概率低并不在于用戶質(zhì)量，而在于匹配度。就像人與人成為朋友一樣，是因?yàn)楹线m才做朋友，而不是簡(jiǎn)單說因?yàn)閷?duì)方是個(gè)好人。所以優(yōu)化推薦策略，提高用戶匹配度，從而利用好用戶本身存在的大量社交需要，是非常有必要做的事情。

那么第一步呢，完善用戶標(biāo)簽。通過對(duì)探探app的探索+對(duì)用戶行為的觀察，我取了一些會(huì)對(duì)合適概率有影響的數(shù)據(jù)作為標(biāo)簽：

第二步呢，找標(biāo)簽與匹配度之間的關(guān)系。首先從用戶本身畫像上，條件相似的人優(yōu)先推薦，因?yàn)橐话銇碚f，人類的本質(zhì)是自戀的，對(duì)于和自己相近的人會(huì)多一層欣賞，相似性也會(huì)帶來共同話題。另外探探的用戶群體中，大量分布在一線城市，這群人必然來自五湖四海，對(duì)同鄉(xiāng)的歸屬感是有的。所以在硬性條件中，它們的權(quán)重占比應(yīng)該是行業(yè)>地域>工作領(lǐng)域>個(gè)性標(biāo)簽>興趣愛好。

行業(yè)放前面是因?yàn)樾袠I(yè)相關(guān)的話題容易找。為什么把興趣愛好放在最后面呢，因?yàn)榻?jīng)過觀察，我發(fā)現(xiàn)填“電影/食物/音樂”這種非常泛化的愛好的人，其實(shí)根本沒什么愛好可言，他們只是隨便看看而已。

其次在占比之外，可以分析一些匹配的人之間各硬性條件的相關(guān)性，比如A行業(yè)的人一般青睞B行業(yè)的，X地域的對(duì)Y地域的反饋都不錯(cuò)。這里我沒有太多數(shù)據(jù)可參考，只能講講思路。同時(shí)在分析過程中，應(yīng)該刨除掉被滑率過高或過低的用戶，以免使得分析結(jié)果偏頗。

這里也可以引出一些還可以優(yōu)化的點(diǎn)。例如，在用戶自己填寫個(gè)性標(biāo)簽和興趣愛好這里，可以引導(dǎo)用戶不要填太多，因?yàn)樘L(zhǎng)的東西真的沒人看。不如說興趣少寫幾個(gè)，但鼓勵(lì)用戶具體一些，寫出喜歡的電影名字，喜歡的歌曲名字。之后再利用這些具體的愛好去做匹配推薦，從而提高用戶匹配意愿度及提供可聊的話題。

再說用戶行為上，可以考慮的點(diǎn)是，同一時(shí)間在線的優(yōu)先匹配（當(dāng)然基于大多數(shù)用戶是晚9-11點(diǎn)使用app，所以這條影響或不大），被青睞率（=被右滑次數(shù)/被瀏覽次數(shù)）相近的人優(yōu)先匹配，主動(dòng)聊天率與聊天回應(yīng)率相似的優(yōu)先匹配，聊天時(shí)長(zhǎng)相似的優(yōu)先匹配，解除匹配率和被解除匹配率較高的，盡量錯(cuò)開不相遇。

這樣考慮的原因有這樣幾個(gè)。

第一呢，被青睞率相近的用戶，表示他們的顏值水平相近?？陀^地說，探探作為一個(gè)照片交友平臺(tái)，顏值在右滑的可能性中占了決定性因素。而人類的顏值分布大概符合正態(tài)分布，一頭一尾的都不多。我們的用戶，必然也多處于中間層。因此推薦被青睞率相近的用戶，兩個(gè)人能夠match的可能性更大。當(dāng)然從產(chǎn)品整體策略上來說，對(duì)于新人用戶，應(yīng)該優(yōu)先匹配被青睞率高一點(diǎn)的，以建立用戶對(duì)產(chǎn)品的良好第一印象。

第二呢，對(duì)于聊天這件事，用戶的意愿度可以劃分為：A會(huì)主動(dòng)開聊/B不開聊，會(huì)回應(yīng)/C不聊天也不回應(yīng)。A類用戶自然是最招PM喜歡的，但是把兩個(gè)A類用戶湊在一起會(huì)很浪費(fèi)，用A去調(diào)動(dòng)B才是效益最大化的做法。對(duì)于C類用戶，只能用些別的手段促進(jìn)活躍度，比如在匹配之后主動(dòng)推幾句招呼語供他選擇+誘導(dǎo)發(fā)言語，這樣降低了用戶的輸入成本，間接提高聊天意愿度。

第三呢，統(tǒng)計(jì)聊天時(shí)長(zhǎng)，是為了反映用戶的聊天習(xí)慣，及間接反映人的可聊度，因?yàn)槿绻鋱?chǎng)，對(duì)話就不會(huì)持續(xù)太久。

第四呢，要錯(cuò)開容易解除匹配的人。因?yàn)檫@類人可能比較挑剔，互相挑剔的話不太容易發(fā)展關(guān)系，需要其他較溫和的人做互補(bǔ)才好。

最后呢，可以考慮在產(chǎn)品設(shè)計(jì)上增加一個(gè)他人評(píng)價(jià)的功能，因?yàn)樗u(píng)可以給其他用戶提供較高的參考意義。當(dāng)然為了防止亂評(píng)，用戶自己可以決定哪些標(biāo)簽用來展示，但是不允許編輯。評(píng)價(jià)可以提供一些事先定義好的標(biāo)簽，比如幽默，溫柔等。這樣其他用戶也可以預(yù)設(shè)自己喜好的類型，從而提升匹配的可能性。

以上?？偨Y(jié)：做社交產(chǎn)品的推薦策略應(yīng)該結(jié)合心理學(xué)去分析用戶行為與用戶表現(xiàn)之間的關(guān)系，再在推薦算法的基礎(chǔ)上，去盡可能給到用戶心儀的其他用戶。

附，由于筆者無實(shí)際數(shù)據(jù)亦無推薦類PM經(jīng)驗(yàn)，本文看法或過于淺薄，如有出入，感謝指正。