看到題主這個腦圖，基本是可以有個初步結論：題主對推薦的理解可能非常淺顯，知道推薦大概有什麼東西，但不知道怎麼具體落地。也沒有想怎麼做視頻的推薦。很多功能點不是剛開始就需要考慮的，很多需要仔細考慮的卻沒有考慮。
關於推薦的一些通用的基礎知識，我之前倒是總結過一些，想了解的話可以看一下：
【推薦系統那些事兒·一】從天貓雙11到餘弦公式 - 知乎專欄
【推薦系統那些事兒·二】常用推薦策略介紹 - 知乎專欄
【推薦系統那些事兒·三】推薦策略設計的Notes - 知乎專欄
關於裡面提到的一些基礎知識不再重複。只是擴展下，如果讓我來做這個視頻推薦，我會怎麼想這個問題，以及怎麼做這個項目。
1. 視頻推薦的特殊性
視頻領域或者說內容領域，和商品、電影、書籍、音樂還不太一樣。主要有是時效性要求高，推薦需要考慮多推薦新的好的視頻，在最需要推薦的時候，往往缺少足夠多的數據。而商品、電影，書籍、音樂則對時效性不那麼強。而內容類的推薦，給予標籤的推薦會更通用一些。
2. 是否需要個性化推薦？
是否需要個性化推薦，需要在做個性化推薦之前思考清楚。很多公司覺得個性化推薦能解決一切問題，這是戰略上很偷懶的行為。換個角度，如果你就每天更新100個視頻，你分成10個大類，每個類更新平均10個差不多就行了。然後排序就按照播放量排序就OK。
基本思路是，如果信息比較少，一個feed流就OK，如果信息比較多，則做分類，如果信息更多，分類無法處理，那麼搜索推薦才應該被考慮。
如果場景是在詳情頁的推薦，那是不是同分類的推薦就基本OK，或者簡單協同過濾也就基本OK。
3. 實現的路徑
一個成功的推薦系統應該是什麼樣子，什麼機器學習，及時反饋，驚喜感，大家都能拽幾個詞。然後，我們怎麼做到這步？卻很少有人去真正想。一個牛逼的藍圖，必須有如何實現的路徑。一開始畫個這種看似面面俱到，但其實一年半載出不來的東西是肯定是不行的。
4. 一個可能的方案
簡要描述下：
對於內容庫的搭建，前期根本沒有能力做太多機器學習的挖掘性工作，人工分類就夠了。如果真的是PGC或者UGC的話，這個視頻量其實不會太多。
對用戶的分類基本是根據用戶消費了哪些方面的內容打分類標籤。分類標籤粒度也應該是和體量相匹配。
算法設計主要是基於用戶分類標籤和內容分類標籤的匹配。用戶消費過A標籤的內容可以給用戶A標籤，同時也可以推薦A標籤關聯性極高的B標籤的內容，比如：用戶有遊戲視頻的標籤，也可以根據標籤間關聯性推薦動漫標籤下內容。關聯關係既可以人工標註，也可以簡單的算法計算，比如CF。最終結合業務指標進行打分。
上線之前一定要有離線評估，離線評估指標是算法調整的指導性指標。真實上線前也需要有合理的AB test，對於實驗方案和指標都需要認真考慮。
5. 寫在最後
構建個性化推薦有若干種方法，不同公司也有不同公司具體的情況。而不管什麼方法，不管什麼公司，在做個性化推薦的時候，都會發現一堆各種各樣的坑。這些坑不會在論文裡，也不會在書裡。通用方法不經打磨很難使用在具體的場景和業務。而機器學習也未必比部分人工規則有太大的優勢。
這個答案說到底，也只是個分析問題的參考。
如果非要說給題主什麼建議的話，那就是：多看看有用的案例，多掂量自己的業務場景，多掂量自己的機器計算能力，多掂量自己的業務人員水平。
最近2年多的時間一直在做QQ音樂個性化推薦和用戶畫像建設的相關工作，也分享下我對內容型產品之一視頻類產品個推的理解吧。
1.想清楚做個推的原因。是跟隨趨勢還是順勢而為？
自從alpha狗橫空出世，AI領域就變得火爆異常，只要是個內容型產品都會有個個推夢。但，是不是每個產品都需要，都適合做個性化推薦呢，恐怕很少人去仔細思考過。其實在國內，有個推需求的產品還是不太多的。比如音樂，每個人都喜歡聽到自己感興趣的音樂，那是不是一定要是冷門小眾的歌曲，才能彰顯自己獨特品味？其實不然，大家可以回想下從小我們聽歌，喜歡一首歌更多是因為某個明星，某個熱門趨勢，覺得自己不聽就會low的慣性去聽。而等到慢慢長大，這時候追星慢慢淡去，更多的是自己對音樂的理解，所以慢慢才會形成自己的口味，去選擇性的聽音樂。因此，對於不同階段的人群，對於內容的需求是不一樣的。通過數據我們也驗證過，對於年齡較小的用戶，對新熱的感知度較高，而對個性化的需求並不算太強烈。因此，當你要對自己的內容型產品做個性化時，一定要想清楚幾點：我的數據多麼？我的用戶他們的需求真的很多樣性麼？如果是，那麼可以繼續思考下去，切勿跟風，畢竟一個好的個推系統有很多種做法，成本投入很大，一定要事先了解清楚這些才開始做，不然大概率事倍功半。
2.理清楚想做的內容型產品的特點，因地制宜。
視頻有別於其他內容載體：
1）和音樂相比，它更偏一次性消費，很少被用戶重複消費，因此更多應該考慮用戶對某一類的喜好，而非某一個內容的喜好；
2）和新聞相比，部分非新聞快訊的節目及時性不需要很強，於是可以讓你的算法可以用時間換空間，通過離線計算獲得更精準的結果。
對自己的內容型產品瞭解有助於後續和開發團隊定下來一些規範，比如運算效率，讓團隊達成共識。
3.建立內容庫，以精為重，通過一些技巧解決標籤生成難的問題。
推薦系統做的好不好，一個好的內容庫佔了一半的功勞。好的內容庫並不是應該大而信息不全，而應該維護好每個類別下精品數據的標籤準確性和覆蓋率。音樂產品動輒幾千萬曲庫，視頻產品動輒幾億條視頻，與其平均施力維護一個大的內容庫，還不如維護一個1/10，甚至1/100的庫保證其標籤或基礎信息的準確性來的好。
比如打標籤也是做任何做推薦系統都必須要經歷的。那其實除了人為縮小內容庫範圍方法之外，我們也可以嘗試利用用戶的ugc行為幫我們打上標籤。比如每個視頻app都有播單（可以將喜歡的視頻加入成為列表，並改成自己喜歡的列表名），那其實我們可以遍歷所有用戶的播單，對於每一個視頻，抽出包含它的播單並進行切詞分析後，那麼我們就可以知道哪些是“喜劇”，哪些是“恐怖片”之類的了。如下方的七品芝麻官，可能沒有打上標籤，但被1000個播單都認為是喜劇，所以喜劇的概率就接近100%，此時自動生成一個“喜劇”標籤給這個影片就無可厚非了。
而對於短視頻等，我們也可以通過對標題進行文本分析，切詞提取關鍵詞形成這個視頻的標籤。從而豐富視頻的維度。
更神奇的如google，最近還推出了一個解決方案，通過分析視頻截圖畫面判斷內容究竟是什麼，從而來判斷視頻包含什麼人物，來給視頻建立豐富的標籤索引。
人工智能里程碑：谷歌率先實現視頻內容識別_騰訊網觸屏版
所以其實方法有很多，關鍵是去結合自身業務特點去想，總能想到一些快速豐富標籤的思路。
4.為每個用戶建立用戶畫像，形成推薦的基礎。
每個用戶都會有自己相對穩定的偏好，因此如果我們對用戶建模，大概瞭解到他喜歡什麼樣類型的視頻（是喜劇還是恐怖劇，是韓劇還是日劇），喜歡什麼類型的演員（青春活力，實力演技）容易被什麼樣的標題吸引（標題主題），那麼我們可以直接根據用戶的畫像，推薦他感興趣的類型，但又還沒有看過的內容。比如最近一個月，系統通過統計我的行為發現，我愛看推理劇，那麼，推薦一部《神探伽利略》就可能會讓我感覺驚喜了。再比如系統知道我是個ACG愛好者，那麼推薦給我沒看過的新番熱番其實都是一個不錯的選擇，至少會比純粹的編輯挑選會好太多。
5.不同的用戶生命週期挑選不同的算法，不斷的根據數據反饋調優。
推薦系統的算法有太多，協同推薦，決策樹，邏輯迴歸等等無法一一列舉，但這裡需要一點的是沒有一個算法是萬能的，多個算法根據業務邏輯交替使用或許最終的效果會好很多。
1）比如對於一個視頻新用戶，你沒有任何過往他的觀影記錄，但是他有登錄QQ，那麼你可以拿到他的一些基礎屬性比如年代，性別，地域等等，這些對於內容型產品來說都是不錯的推薦特徵維度。通過這個就可以進行簡單的推薦，如小學生推動漫，成年人推電影，而男性推薦更多電玩，警匪，科幻類的電影，女性更偏向推言情，韓劇等，這樣可以使得原本統一的首頁變成稍微個性化，也讓用戶容易發現當前可能更感興趣的內容。
可能有人會有疑問，只有大廠才會有如此特徵便利，但據我所知，不少push sdk和手機廠商也在開始做這塊的數據，他不依賴於用戶填寫，而依賴於用戶手機上其他信息，比如裝了一個辣媽幫，美麗說，蘑菇街的應用，則大概率是一個女性，如果你裝了暴漫，b站則大概率是一個acg愛好者。再如今日頭條早期登錄微博，也是抓取用戶首頁微博通過切詞，主題詞分析得到用戶偏好，從而進行推薦。或者你可以如即刻一樣，給用戶一個初始化選擇，同樣可以達到目的。
一切都是建立在瞭解用戶需求的基礎上，推薦才可能得以展開。
2）對於一個有一定播放或收藏記錄的用戶，那我們除了可以根據用戶畫像進行類別上的推薦，也可以通過協同推薦等方法找到用戶喜歡的內容最為相似的內容，幫助用戶發現。
協同推薦方法在知乎上不少的介紹，感興趣的可以翻翻，大致原理就是如果兩個視頻被一群人同時喜歡，那麼他們很大概率是相似的。通過這個方法我們則幫助用戶在留存這個階段進一步拓展視野。
3）而當用戶在視頻平臺已經累積有很多行為的時候，傳統的推薦已經不能再滿足，此刻我們則要思考如何給他驚喜感。比如推薦相似，不如一個同好的專家用戶推薦一部冷門佳作會讓他來電。
我們可以嘗試去計算某個垂直分類（如喜劇）用戶中最愛的視頻排名，挑出大盤排名靠後，但愛看喜劇的人推薦的內容，這種往往和大盤有很大不同，但是推薦出來卻有新意，不妨一試。
總而言之，推薦系統是一個複雜的綜合體，需要從不同維度去考慮，從而結合多個算法合一提升推薦效果。
6.善用離線測試和abtest，讓推薦效果更有說服力。
算法完善後一般要做離線驗證，我們可以用上一個月的觀影和收藏行為作為輸入計算出推薦結果，和這個月用戶實際收藏行為進行對比，看看命中率如何，不斷調優。
同時，發佈外網後，也可以根據後臺尾號進行灰度髮量，觀察不同的兩組之間收藏率，播放率的差異，評價上線算法效果的好壞。
對於一個內容推薦體系的搭建大致如以上所說，看上去都是通用框架，但落地和調優細節會有太多差異，但這也是不同推薦系統之間的核心競爭力吧。因此當開始著手搭建自己公司的推薦系統前，都要考慮再三，投入的人力，時間，用戶需求迫切程度和了解程度都直接影響你的系統是否能搭建完成。
做推薦是有套路的。
1. 推薦的本質是什麼？
題主想到的一些點都挺沾邊的，例如冷啟動、內容庫、數據收集，但犯了至少兩個錯誤：1）題主的圖是串不起一個推薦流程的；2）想要跑通一個推薦流程，核心並不是推薦算法，而是內容和數據。
內容就是你要提供給用戶的東西，例如你的視頻庫，UGC、PGC什麼的。用戶最根本的目的還是消費優質內容。沒有好的內容庫，是推不出東西的。
數據指的是用戶的行為數據。沒米是做不了飯的，沒有數據任何算法都是走不通的。很多高大上的詞，用戶畫像什麼的，本質上都是對用戶行為數據的抽象而已。另外，給內容打標籤、打質量係數分也可以用用戶行為數據。
推薦的本質，就是根據用戶行為數據，提供更滿足用戶的內容。
2. 一個怎樣的產品才能做推薦？
在我看來，至少包括兩個要素：
1）足夠大量的內容和數據
內容不夠多的話，做榜單就行了，做個毛線推薦。
數據不夠大的話，再好的算法訓練出來都一坨翔。
做推薦准入門檻很高，是個貴族遊戲。
2）產品形態有推薦的原動力
什麼意思呢？一言難盡。
產品經理喜歡拷問一些諸如“為什麼要做推薦？做推薦對產品有啥用？是不是有些用戶不喜歡推薦”之類的問題，在我看來這是蛋疼問題，推得好數據一定會更好，問題就是你的產品未必能推得好啊。
推薦應該是個研發主導的事情，首先要拷問的是這個產品的數據流是否能否支撐某種推薦模型，要拿什麼、怎麼訓練、出些啥、可以幹啥。如果數據流最多做做協同，那硬要做feed流一定會死很慘。
滿足有推薦的原動力的產品，我可以舉幾個例子：
1）用戶幫你打標籤，例如知乎、網易雲音樂。形成這樣的產品形態不容易，一旦形成就可以四兩撥千斤。
2）搜索滲透高的產品很適合做推薦，搜索是挖掘推薦數據的大金礦。
3）外部數據（如爬蟲）能起很大作用的產品，例如各種圖文信息流產品。
一個產品純靠推薦來運作是很難的，往往是搜索、分類、榜單、用戶、外部數據等所有加起來給推薦提供訓練數據。我廠現在走大中臺戰略，倒是讓許多本來不好做推薦的產品也能給你推了。
3. 推薦的大套路
1）收集數據
收集數據永遠是第一步。需要了解手中的數據是怎麼來的，到底是用戶幹了啥產生的。並且最好建立感性的認知，這樣對後續的ETL、算法選擇、調參、模型解釋等各個環節都有很大幫助。
2）建立指標
一定要先建指標，否則是沒辦法驗證推薦效果的。常見的有CTR、PV、UV、人均等，結合自己產品形態來設計。
3）實現推薦流程
到這裡才是算法選擇和工程實現。一般來說，能做推薦的產品規模都不會太小，所以會遇到各種高併發、分佈式存儲與計算等工程問題。推薦算法只是推薦整個流程的一個小塊，做推薦的往往需要算法、大數據、數據分析、產品思維等多種能力，非常苛刻。
4）不斷地優化
就是不停地ABTest、調參、更新策略、更新算法，一步一步提高指標。
4. 推薦的小套路
四個字，熱推多補。
熱指的是榜單內容，多用於冷啟動。
推指根據短期、實時反饋的數據進行的即時推薦，效果最顯著。
多指多樣性，不能老是推用戶愛看的，這樣會收斂。你永遠需要補充一些用戶沒看過的來讓用戶發現新的大陸。
補指補充，指的是根據長期數據、近線計算的用戶畫像推薦的內容，可以起到良好的補充作用。
以熱推多補作為指導思想，建立推薦模型、推薦策略。
5. 關於視頻推薦
不巧我正好是做視頻推薦的。視頻有些特別的屬性，例如啊：
1）視頻的打標籤和分類是個難題，主要原因是文本極少以及標題黨問題。一般視頻入庫的時候會有一些簡單的信息補充，但是用處有限。
2）另一個蛋疼問題是鑑黃，你懂的。
如果你能在面試時靠譜地解答這兩個問題，基本上就穩了。
如有有同學有興趣往推薦的方向發展，一定要有非常紮實的基礎。再重複一次，推薦算法真的只是其中非常小的一塊，不是搞清楚LR和協同就能做推薦的。
閱讀更多 知識服務習得 的文章
