一个不懂算法的产品 “撩”推荐应用（附导图）
《简介》
在网络信息时代的时代，大数据、算法为用户推荐方面提高精准的效率，可以更加快速、更加智能的帮助用户在海量的内容中，显示符合用户选择、贴合用户喜好的内容。推荐的发展，让用户可以更加“明确”他们的喜好，也可以让平台更加“了解”他们的爱好。
但如果不懂算法，那么怎么办呢？难不成还要我去写代码？我现在从新开始学习还来得及吗？其实作为产品，如果懂一些计算机原理、代码会更好，但如果不懂，那么从业务方、应用场景、功能需求上面来说，我们还是可以做一些业务功能定义，并且也能和算法工程师进行友好沟通，不至于出现血光之灾。
一、关于推荐的几个定义
根据用户行为的推荐（对大众用户给出/平台想要给的推荐），在内容产品和社交应用中，主要采用引导用户选择+根据用户画像匹配为条件，为用户进行推荐，达到更加精准的目的。
1、标签
给商品定义标签，有利于对商品进行分类，给商品做好区分定义。因为存有商品标签，因而能够让我们一目了然地看到商品的相关信息，而且能够，轻松快速地进行库存扫描，定义其归类，在向用户推荐时，可根据商品的标签和用户想要找的关键词进行匹配，提高算法的效率和准确度。使用标签给商品打标的好处是，不光给商品做了归类的维度体系，同时还对商品的自定义属性来配置个性化的管理维度。
2、搜索
提供一个搜索功能，用户在搜索入口，针对性的对想要了解的内容输入关键词进行搜索。比如购物平台中，用户一般通过商品关键词+辅助性词语给商品做一个标签定义，平台根据关键词匹配商品名称（或属性）来缩小搜索范围，展示符合用户搜索要求的商品。
3、分类
为什么说我们要定义属性，因为要对你的商品做分类，用于区分。比如你去购物有3C、有生鲜、有日用品；你去看书有人文、有历史、有成人文学（lsp都懂得）；你去看电影有搞笑片、有战争片、有爱情片。根据属性进行属性点分类，可以帮助平台进行区分，或帮助用户更快地分类找到对应的商品。例如：我们通过分类来找书，先选择男频—玄幻，然后在选择VIP—完结—300万，得到对应的书籍。如果没有分类，那会出现一个问题，商品很乱，你本来是要看小说的，结果一直给你推荐建筑学的书，这岂不是很糟糕。
4、热门
顾名思义就是展示量最多的产品，系统会按照热门的场景进行分类。比如现在过年，城市不能放烟花，那么观看其他人放烟花的需求就会很多，如果在热门推荐中在加一些属性，比如男神放烟花，获奖烟花大赛等，那么对应用户观看时，用户会更加沉淀在其中。基于用户感兴趣的话题，基于当前场景进行分类，既增强了用户的身份认知，同时还对场景进行结合，引导话题持续活跃，将人、场景、商品、属性串联起来，形成话题导向。
5、操作
针对购物应用和短视频应用，就是看用户在界面上，是否有滑动、持续浏览、点赞、加入购物车、送礼等行为，用来对用户的操作进行加权平均。那么对于读书类软件要怎么操作呢？用户也不会在上面持续的有动作啊，又不是打游戏。可以根据用户浏览时长，给用户对单个词予以评论的功能，观看用户是速读，还是思考性阅读进行定义。
6、关注
单体关注：在短视频应用中，喜欢单个视频，可以点赞。那么系统就记录了，该视频的属性，给用户后续推荐视频时，会对该类属性加权。但这里会出现一个情况，比如美食类的博主，我看了一堆，但只对这一道菜有兴趣，那么我就单独给这个视频点赞。
主体关注：喜欢这个明星播主，点击关注，那么后续会经常收到该明星的视频推荐。不局限于该播主是否更换风格，会针对主体进行推荐，推荐该主体下的最新视频。
两者是相互结合的，若系统发现该播主更换了风格，每次推荐给用户，用户会马上划走，那么就会给播主对该用户降权。1是减少推荐，督促播主进行调整。2是将该播主调整后的风格推荐给其他属性匹配的用户。
7、推荐
前面已经讲了热门，这里为啥还要再讲一下推荐呢？按照场景来区分，这是两件不同事件，分别对应两种操作。
7.1、系统在内部算法统计时，发现有些新出的应用，很符合当前用户的匹配，但因为某些原因，达不到显示给用户的条件，那么系统会调整推送的比例，把当前这一“符合”条件的内容，推荐给用户，然后观看用户的反馈，是深度查看还是直接划走，用于修正对用户评判的数据。
7.2、系统需要针对某些特定条件主动出击。比如广告金主爸爸来了，需要给20-40岁的男性推荐宝马车，那么所有人进来的第一个视频就是要先看到宝马车，然后在从这些20-40岁的男性用户中，划分出那些经常会看和车相关的内容，继续推荐第二波。
为什么要有推荐这个事情呢，因为很多的应用平台，都存在一个类似中介的枚举。化妆品公司需要消费者，品牌需要顾客，那么那化妆品公司会通过平台找到 KOC 「Key Opinion Consumer 关键顾客」，寄一些新的产品，然后帮他们在平台上发自己的试用报告。
在这里，我们适当的把人工智能的知识引入，通过计算用户画像的标签，得出较为精准的推荐结果，减少搜索次数，提升搜索效率。评估个体能够找到最优解，使用自适应的交叉和变异能使最优解尽快收敛。
二、个性化引擎推荐
精准推荐
我们在做搜索时，常提到一点：根据用户的口味和喜好给出更加精准的推荐，帮助用户快速精准的找到想要购买的商品。这里有一个重要的条件是：个性化推荐算法是基于用户的静态信息和动态行为信息来全方位推荐。
静态信息：根据用户自身属性-性别、年龄、收入、购物时间、价格等，分别对应进行推荐。比如用户是男性、25岁、月收入五千、浏览购物的时间基本在10点过后，价格不太敏感，那么用户在搜索键盘时，可以优先推荐罗技、雷柏这些大众品牌的，价格合适，针对性强，品牌也比较响亮，质量还不错。
动态信息：通过用户的搜索历史、浏览记录、购买记录、物品评价记录等，给用户属性进行标签定义。同样条件是：用户是男性、25岁、月收入五千、浏览购物的时间基本在10点过后，但用户的搜索关键词有机械、键盘帽，那么就可以针对用户推荐更加精细化的产品，比如：CHERRY樱桃、外星人。
这些详细的数据源形成有价值的用户消费行为大数据，大数据基础上建模应用提升了推荐效率，更加为平台增加了粘性。
做推荐时，可考虑三类推荐机制
1、用户画像模型统计推荐：根据用户基本信息发现用户相关度，简单的根据系统用户的基本信息发现用户的相关程度，然后将相似用户喜爱的其他物品推荐给当前用户。比如抖音目前有海量的用户浏览喜好数据，用户群体的划分比较容易推荐相似视频。但是抖音推荐没有大量用户消费的元素，那么只能通过直播时用户的购买、商品属性、品牌效益、价格因素来做定义。在这里还需要通过复制商品链接到其他社交平台进行商品共享从而形成口碑传播，从自身平台上形成购物链路较为薄弱，即时是现在一直在打造自身的购物属性。（不含用户隐私数据）
2、基于内容元数据建模的推荐：根据推荐物品或者内容的元数据发现物品或者内容相关性，发现物品或者内容的相关性，然后基于用户以往的喜好记录，推荐给用户相似的物品。比如经常看游戏的用户可以推荐游戏外设，经常看吃播的用户可以推荐美食，但经常看妹子的用户就只能持续推荐妹子了，LSB又穷又没文化~
3、基于协同过滤的推荐：根据用户对物品或者信息的偏好，发现内容或者物品本身相关性、发现用户的相关性。这条和上面较为相似，但会用到用户协同过滤算法和基于物品的过滤算法来进行数据匹配。就比如经常看游戏的这个用户，实际是个小朋友，你推荐了一款专门打游戏的手机给他，没有效果。那么我可以推荐另外一个游戏下载，通过游戏下载来进行用户转化。
多数据混合推荐
采用多种推荐机制将结果分不同的区显示给用户。现在越来越多的应用，都在猜测用户，得到用户反馈的结果也较为准确。这个精准，可以通过下面3点来进行分析：
1、当你进入一个新的应用时，应用会先询问你喜欢什么，比如摄影、看书、游戏、美食、明星、电影等，当你做了选后，根据你注册时提供的用户基本属性，去匹配喜欢区域的内容。基于用户属性的推荐，系统会组织其他用户反馈喜欢的内容进行推荐，并且实时更新数据。这里还会在做新的推荐，还会做几组不同属性的内容识别用户的操作，看用户是深入观看，还是迅速划走。
2、推荐的用户选择属性的内容，基于协同过滤算法，然后在根据用户最近浏览的内容、浏览长时间的内容、进行互动操作的内容向下推荐，匹配出和用户相关的内容，帮助用户选择喜爱观看的内容。比如商品，那么推荐同类属性的商品，基于不同的品牌、价格、规格，节省用户对于商品的查找时间。
3、同时对内容进行标签定义，根据上面用户的属性匹配，按照匹配度，从上到下进行精准交错推荐。同时还要适当的推荐一些超出用户属性以外的内容，一方面是减少用户的审美疲劳；另外一方面高标准的推荐，可以给用户更新的选择。
思考
思考是一个产品人的基本要求，对于自我提升非常有帮助，毕竟1000个优秀产品人就有1000套独特的工作方式。如何把自己的成果有效的展示出来，并且凸显出来，这就非常考验产品人的文字功能了。
做产品需要掌握一套有效的方法论，无论是前辈总结出来的aarrr、kano、mvp还是自己定义的先规划，在调研，然后让用户试用后反馈，这都是需要有针对性、有目的性的去做执行，然后将内容进行提炼并且转化为自己的核心价值。对于产品人来说，要全面高效的获取各方面的知识，让自己全面发展、快速成长，这点是非常重要的。
做产品容易，做一个好的有价值的产品，这个就很有难度了。