许多专业人士的知识结构特点都是：在太少的地方知道的太多。

我们总是希望他们能讲点什么，但很遗憾的是，许多专业人士已经逐渐丧失了和大众对话的能力，他们一开口，讲的东西大多人都很难轻易听懂。

在职场，分工的边界开始变得模糊，大多人需要的是对许多方面都有一定的了解，但又不需要特别精通，从而能和其他人有更流畅的合作，对项目有更宏观的理解，对非专业的知识也能有框架性的认识。

所以本文梳理了内容推荐算法的基础逻辑，没有任何公式和算法程序，10分钟就可以对内容推荐的方方面面有整体的理解。

为了让文章尽可能简化，所有不必要的内容都没有在文中写出，但罗列了许多参考文章，可以进一步扩展阅读。各位在人人都是产品经理、鸟哥笔记、搜狗微信搜索等网站检索，就可以轻易得到文章。

绝大多数已知的事情在逻辑上都是非常简单的，难的地方在于细节的处理、技术的实现。但在“认识”这个阶段，对逻辑的理解非常重要，所以这是一个既重要又简单的部分。

在“实践”阶段则要复杂的多，需要我们自己在做的过程中反复琢磨，找到真正适合自己的方案。

全文分为6个基础逻辑。

传统内容获取方式

• 在个性化推荐技术大规模应用以前，人们在线获取信息的方式主要依靠搜索引擎、浏览站点首页两种方式。

• 使用搜索引擎的场景下，用户的需求主动而明确，可以通过关键词获取精准的信息。

• 浏览站点首页的场景下，用户的需求主动而模糊，可以获得平台推荐给你的信息，这种推荐对所有用户一般是无差别的，比如各大站点首页的轮播图、专栏、热榜等。相关的技术是“热点算法”。

• 最近几年开始流行的个性化推荐提供足够定制化的信息，每个人都是独一无二的个体，极为个性化的偏好都能得到满足。

   

「扩展阅读」

• 互联网时代最主要的三种获取信息方式-文章-米可-人人都是产品经理

• 浅谈互联网信息获取方式的演变以及对SEO的影响-文章-SEO技术流-微信公众号

内容分发方式

• 内容分发是从平台的角度来说的，可以分为订阅分发、编辑分发、社交分发、推荐分发。

• 微信公众号的基本的逻辑是订阅分发，网易首页的轮播图和栏目是编辑分发，微信「看一看」中的“朋友在看”属于社交分发，今日头条APP首页的“推荐”栏目更多属于推荐分发。

• 许多产品都会把三种方式结合使用，比如知乎首页就有「推荐」、「关注」和「热榜」，甚至有的平台会把这三类都整合在一个信息流中。

「扩展阅读」

• 聊一聊信息分发的嬗变史-文章-善宝橘-人人都是产品经理

• 互联网信息分发简明史-文章-金叶宸-人人都是产品经理

• 知乎的内容分发策略及运行机制是怎样的？-文章-Lcarusd-人人都是产品经理

• 内容分发三分天下？编辑、算法与社交-文章-Ella-人人都是产品经理

搜索引擎&推荐系统

• 搜索引擎和推荐系统是人们获取信息最主要的两种方式，它们之间关系密切。

• 前面已经说过，使用搜索引擎获取信息时，用户的需求主动而明确，而使用推荐系统的用户，需求往往被动而模糊。

• 搜索引擎的结果对不同特征的人可以有一定的不同，但很难做到个性化，推荐引擎则可以做到千人千面，满足每个用户的个性化需求。

• 从给用户呈现的内容来看，可以把搜索引擎看作推荐引擎的某种简化，如果一个用户只对一个关键词感兴趣，那么推荐引擎的结果就近似于搜索引擎的结果。

「扩展阅读」

• 推荐系统和搜索引擎的关系是什么？-文章-陈运文-人人都是产品经理

• 内容算法：第一章：走近内容推荐：推荐系统架构初探-图书-闫泽华-实体书

• 一文解读垂直搜索引擎和个性化推荐的应用逻辑-文章-Sarah-人人都是产品经理

推荐系统&用户画像

• 内容推荐，就是把合适的内容推荐给需要的用户，推荐系统需要搞定三个大的模块：用户、内容、算法。而用户画像属于用户模块，是推荐系统的重要组成部分。

• 虽然用户画像还有产品或行业研究等使用场景，但相对次要，在讨论推荐问题的场景下，可以直接把用户画像看作推荐系统的组成部分。

• 用户的每一次操作都有两种意义。一是对内容进行「群体评估」，用自己的行为决定某篇内容的好坏，二是「个体进化」的意义，通过自身的每一次选择与反馈，持续地改进自身的用户画像。

• 用户画像就像为每个人构建一个数字躯体，用户画像越完善，推荐系统获得的语义就越丰富，推荐给用户的内容就越精准，用户就可以获得更好的体验。

「扩展阅读」

• 一文读懂推荐系统用户画像-文章-菠萝王子-人人都是产品经理

• 实例解析：生活中的用户画像-文章-接地气的陈老师-人人都是产品经理

断物&识人

断物和识人，一个关注内容，一个关注用户，简单来说都是“贴标签”。标签是我们对多维事物的降维理解，抽象出事物更具有表意性、更为显著的特点。

• 「断物」有三种方式：分类、标签、聚类。

• 「分类」是树状的，是自上而下依次划分的。在分类体系里，每个节点都有严格的父类继承关系，在兄弟节点层都具有可以被完全枚举的属性值。

• 应用分类时必须考虑分类权威性和信息完备性问题，避免因为子节点覆盖不全或分类错误导致的认知问题。

• 知乎的「话题树」就是一个典型的分类体系。

• 「标签」是网状的，更强调表达属性关系而非继承关系，只有权重大小之分，不强调包含与被包含关系。这就使得相对于分类而言，标签的灵活性更强。

• 在权威性方面，标签是较弱的，每个用户都可以参与进来，基于自己的偏好贴标签，可以借助规模效应实现对信息表意完备性的覆盖。

• 豆瓣图书的关键词，就是一个典型的标签系统。

• 「聚类」可以用来应对难以用标签准确描述的东西，比如说一个人长得漂亮，是由一系列复杂而模糊的综合特征来决定的。

• 聚类并不是以标签词的方式来定义事物是怎样的，而是基于某一维度的特征将相关物品组成一个集合，并告诉你这个新的物品同哪个集合相似。这种分类算法相对并不直观，对普通用户来说一般处于黑盒状态。

• 抖音可能会给你推荐「爱跳舞的小姐姐」、也可能会给你推荐「美食做法」，其中的算法就包含对短视频的聚类。

• 「识人」可以更加简单地理解为给用户“贴标签”，来描述用户的特征，也就是用户画像。

• 用户画像数据分为静态和动态两类。

• 「静态用户画像数据」是独立于产品场景之外的属性，比如性别、学历、年龄等。

• 「动态用户画像数据」，包括用户在产品场景中所产生的的显式和隐式行为。

• 显式行为包括对内容的点赞、评论、分享、对作者关注等。

• 隐式行为包括在页面的停留时间、用户操作轨迹等。

• 通常显式行为的权重更高，但由于显式行为更稀疏，所以需要隐式行为来补充验证。

「扩展阅读」

• 内容算法：第二章：推荐的起点：断物识人-图书-闫泽华-实体书

• 如何构建用户标签体系？-文章-日久情疏-人人都是产品经理

• 用户标签实践：如何建立标签体系实现精准营销？-文章-lei-人人都是产品经理

• 什么是用户画像和标签？-文章-Pinko-人人都是产品经理

基于内容的推荐&基于用户的推荐

基于内容的推荐指的是「相似性推荐」。

• 「相似性推荐」算法中的相似性通过内容的标签重合度来体现。

• 在众多图书中，两本书的标签重合度较高，如果用户选择了其中一本，系统就应当优先推荐给这位用户另一本。

• 上图中，《运营之光》和《从零开始做运营》的标签重合度更高，可以给买其中一本的用户推荐另一本，而不是推荐《内容算法》。

• 考虑到不同标签的区分度不同，可以进一步细化，引入TF-IDF方式给不同的标签设定权重。

• TF-IDF的逻辑很简单，出现频率越高的标签区分度越低，给的权重也应该越低。

• 这种基于内容属性的推荐，好处是只依赖物品本身的特征而不依赖用户的行为，让新的物品和冷僻的物品都能得到展示。但也有一些问题。

• 第一个问题，推荐质量的优劣完全取决于特征构建的完备性，但这是一项困难的系统工程。

• 第二个问题，单纯的内容属性推荐没有考虑到用户对物品的态度，用户的品味和调性很难得到诠释和表达。

• 「相似性推荐」理解起来比较直观，但因为它存在的问题在海量内容平台上非常严重，所以下面一种方式才是目前应用范围较广的推荐方法。

基于用户的推荐指的是「协同过滤」。

• 「基于用户行为的协同过滤」引入了用户的消费行为特征，以此来计算用户相似性和物品相似性。

• 协同推荐分为三个子类：基于物品的协同、基于用户的协同、基于模型的协同。

• 「基于用户的协同」就是找到和你口味相似的人群，并把他们喜欢的新东西推荐给你。

• 上图中，用户1和3都喜欢内容A和C，判断这两个用户偏好相似，当用户3阅读内容D时，同样把内容D推荐给相似的用户1。

• 「基于物品的协同」，如果很多用户都阅读了同样的两个内容，系统就认为这两个内容相似。一个新的用户阅读其中一个，系统就会把另一个推荐给这位用户。

• 上图中，内容A和C都被用户2和3喜欢，系统判断这两个内容相似，所以当一个新的用户1喜欢A后，也应该把相似的内容C推荐给用户1。

• 「基于模型的协同」是用用户的喜好信息来训练算法模型，实时预测用户可能的点击率，是深度学习技术的应用。

• 基于用户行为的协同过滤，特点是我们不需要对物品或信息进行完整的标签化分析和建模，实现了领域无关，因此应用广泛。

「扩展阅读」

• 内容算法：第三章：推荐算法：物以类聚，人以群分-图书-闫泽华-实体书

• 分析：基于文本内容推荐和协同过滤推荐-文章-SincerityY-人人都是产品经理

• 推荐策略产品经理：什么是协同过滤推荐算法？-文章-凤城狂客-人人都是产品经理

• 协同过滤算法：在抖音狂给1000个小姐姐点赞的事被老婆发现了！-文章-菠萝王子-人人都是产品经理

设计一款推荐系统，除了整体逻辑和具体算法，期间还会遇到各种各样需要考虑的问题，比如去重问题、权重问题、推荐密度问题、易反感内容处理、时空限定类内容处理、反作弊、偶然和极端情况等等，都需要我们逐步考虑进来。

另外，理解整体逻辑后，我们还需要知道，推荐算法是有很多不同的典型使用场景的。比如基于用户消费历史的商品推荐、视频播放结束后继续观看的场景、搜索的场景、时下流行内容的推荐、热榜推荐的热度算法等等，每一类场景都能找到典型的产品，但一定要根据分类找到更有参考价值的案例，以免逻辑混乱。

以上内容，写给那些对内容推荐非常陌生的产品和运营人员，可以作为入门理解的首选文章。当然，一个成熟的推荐系统从设计到落地要复杂得多，每一个不同的细节问题、每一个使用场景都有相关的文章或图书，可以进一步检索学习。