看到题主这个脑图，基本是可以有个初步结论：题主对推荐的理解可能非常浅显，知道推荐大概有什么东西，但不知道怎么具体落地。也没有想怎么做视频的推荐。很多功能点不是刚开始就需要考虑的，很多需要仔细考虑的却没有考虑。
关于推荐的一些通用的基础知识，我之前倒是总结过一些，想了解的话可以看一下：
【推荐系统那些事儿·一】从天猫双11到余弦公式 - 知乎专栏
【推荐系统那些事儿·二】常用推荐策略介绍 - 知乎专栏
【推荐系统那些事儿·三】推荐策略设计的Notes - 知乎专栏
关于里面提到的一些基础知识不再重复。只是扩展下，如果让我来做这个视频推荐，我会怎么想这个问题，以及怎么做这个项目。
1. 视频推荐的特殊性
视频领域或者说内容领域，和商品、电影、书籍、音乐还不太一样。主要有是时效性要求高，推荐需要考虑多推荐新的好的视频，在最需要推荐的时候，往往缺少足够多的数据。而商品、电影，书籍、音乐则对时效性不那么强。而内容类的推荐，给予标签的推荐会更通用一些。
2. 是否需要个性化推荐？
是否需要个性化推荐，需要在做个性化推荐之前思考清楚。很多公司觉得个性化推荐能解决一切问题，这是战略上很偷懒的行为。换个角度，如果你就每天更新100个视频，你分成10个大类，每个类更新平均10个差不多就行了。然后排序就按照播放量排序就OK。
基本思路是，如果信息比较少，一个feed流就OK，如果信息比较多，则做分类，如果信息更多，分类无法处理，那么搜索推荐才应该被考虑。
如果场景是在详情页的推荐，那是不是同分类的推荐就基本OK，或者简单协同过滤也就基本OK。
3. 实现的路径
一个成功的推荐系统应该是什么样子，什么机器学习，及时反馈，惊喜感，大家都能拽几个词。然后，我们怎么做到这步？却很少有人去真正想。一个牛逼的蓝图，必须有如何实现的路径。一开始画个这种看似面面俱到，但其实一年半载出不来的东西是肯定是不行的。
4. 一个可能的方案
简要描述下：
对于内容库的搭建，前期根本没有能力做太多机器学习的挖掘性工作，人工分类就够了。如果真的是PGC或者UGC的话，这个视频量其实不会太多。
对用户的分类基本是根据用户消费了哪些方面的内容打分类标签。分类标签粒度也应该是和体量相匹配。
算法设计主要是基于用户分类标签和内容分类标签的匹配。用户消费过A标签的内容可以给用户A标签，同时也可以推荐A标签关联性极高的B标签的内容，比如：用户有游戏视频的标签，也可以根据标签间关联性推荐动漫标签下内容。关联关系既可以人工标注，也可以简单的算法计算，比如CF。最终结合业务指标进行打分。
上线之前一定要有离线评估，离线评估指标是算法调整的指导性指标。真实上线前也需要有合理的AB test，对于实验方案和指标都需要认真考虑。
5. 写在最后
构建个性化推荐有若干种方法，不同公司也有不同公司具体的情况。而不管什么方法，不管什么公司，在做个性化推荐的时候，都会发现一堆各种各样的坑。这些坑不会在论文里，也不会在书里。通用方法不经打磨很难使用在具体的场景和业务。而机器学习也未必比部分人工规则有太大的优势。
这个答案说到底，也只是个分析问题的参考。
如果非要说给题主什么建议的话，那就是：多看看有用的案例，多掂量自己的业务场景，多掂量自己的机器计算能力，多掂量自己的业务人员水平。
最近2年多的时间一直在做QQ音乐个性化推荐和用户画像建设的相关工作，也分享下我对内容型产品之一视频类产品个推的理解吧。
1.想清楚做个推的原因。是跟随趋势还是顺势而为？
自从alpha狗横空出世，AI领域就变得火爆异常，只要是个内容型产品都会有个个推梦。但，是不是每个产品都需要，都适合做个性化推荐呢，恐怕很少人去仔细思考过。其实在国内，有个推需求的产品还是不太多的。比如音乐，每个人都喜欢听到自己感兴趣的音乐，那是不是一定要是冷门小众的歌曲，才能彰显自己独特品味？其实不然，大家可以回想下从小我们听歌，喜欢一首歌更多是因为某个明星，某个热门趋势，觉得自己不听就会low的惯性去听。而等到慢慢长大，这时候追星慢慢淡去，更多的是自己对音乐的理解，所以慢慢才会形成自己的口味，去选择性的听音乐。因此，对于不同阶段的人群，对于内容的需求是不一样的。通过数据我们也验证过，对于年龄较小的用户，对新热的感知度较高，而对个性化的需求并不算太强烈。因此，当你要对自己的内容型产品做个性化时，一定要想清楚几点：我的数据多么？我的用户他们的需求真的很多样性么？如果是，那么可以继续思考下去，切勿跟风，毕竟一个好的个推系统有很多种做法，成本投入很大，一定要事先了解清楚这些才开始做，不然大概率事倍功半。
2.理清楚想做的内容型产品的特点，因地制宜。
视频有别于其他内容载体：
1）和音乐相比，它更偏一次性消费，很少被用户重复消费，因此更多应该考虑用户对某一类的喜好，而非某一个内容的喜好；
2）和新闻相比，部分非新闻快讯的节目及时性不需要很强，于是可以让你的算法可以用时间换空间，通过离线计算获得更精准的结果。
对自己的内容型产品了解有助于后续和开发团队定下来一些规范，比如运算效率，让团队达成共识。
3.建立内容库，以精为重，通过一些技巧解决标签生成难的问题。
推荐系统做的好不好，一个好的内容库占了一半的功劳。好的内容库并不是应该大而信息不全，而应该维护好每个类别下精品数据的标签准确性和覆盖率。音乐产品动辄几千万曲库，视频产品动辄几亿条视频，与其平均施力维护一个大的内容库，还不如维护一个1/10，甚至1/100的库保证其标签或基础信息的准确性来的好。
比如打标签也是做任何做推荐系统都必须要经历的。那其实除了人为缩小内容库范围方法之外，我们也可以尝试利用用户的ugc行为帮我们打上标签。比如每个视频app都有播单（可以将喜欢的视频加入成为列表，并改成自己喜欢的列表名），那其实我们可以遍历所有用户的播单，对于每一个视频，抽出包含它的播单并进行切词分析后，那么我们就可以知道哪些是“喜剧”，哪些是“恐怖片”之类的了。如下方的七品芝麻官，可能没有打上标签，但被1000个播单都认为是喜剧，所以喜剧的概率就接近100%，此时自动生成一个“喜剧”标签给这个影片就无可厚非了。
而对于短视频等，我们也可以通过对标题进行文本分析，切词提取关键词形成这个视频的标签。从而丰富视频的维度。
更神奇的如google，最近还推出了一个解决方案，通过分析视频截图画面判断内容究竟是什么，从而来判断视频包含什么人物，来给视频建立丰富的标签索引。
人工智能里程碑：谷歌率先实现视频内容识别_腾讯网触屏版
所以其实方法有很多，关键是去结合自身业务特点去想，总能想到一些快速丰富标签的思路。
4.为每个用户建立用户画像，形成推荐的基础。
每个用户都会有自己相对稳定的偏好，因此如果我们对用户建模，大概了解到他喜欢什么样类型的视频（是喜剧还是恐怖剧，是韩剧还是日剧），喜欢什么类型的演员（青春活力，实力演技）容易被什么样的标题吸引（标题主题），那么我们可以直接根据用户的画像，推荐他感兴趣的类型，但又还没有看过的内容。比如最近一个月，系统通过统计我的行为发现，我爱看推理剧，那么，推荐一部《神探伽利略》就可能会让我感觉惊喜了。再比如系统知道我是个ACG爱好者，那么推荐给我没看过的新番热番其实都是一个不错的选择，至少会比纯粹的编辑挑选会好太多。
5.不同的用户生命周期挑选不同的算法，不断的根据数据反馈调优。
推荐系统的算法有太多，协同推荐，决策树，逻辑回归等等无法一一列举，但这里需要一点的是没有一个算法是万能的，多个算法根据业务逻辑交替使用或许最终的效果会好很多。
1）比如对于一个视频新用户，你没有任何过往他的观影记录，但是他有登录QQ，那么你可以拿到他的一些基础属性比如年代，性别，地域等等，这些对于内容型产品来说都是不错的推荐特征维度。通过这个就可以进行简单的推荐，如小学生推动漫，成年人推电影，而男性推荐更多电玩，警匪，科幻类的电影，女性更偏向推言情，韩剧等，这样可以使得原本统一的首页变成稍微个性化，也让用户容易发现当前可能更感兴趣的内容。
可能有人会有疑问，只有大厂才会有如此特征便利，但据我所知，不少push sdk和手机厂商也在开始做这块的数据，他不依赖于用户填写，而依赖于用户手机上其他信息，比如装了一个辣妈帮，美丽说，蘑菇街的应用，则大概率是一个女性，如果你装了暴漫，b站则大概率是一个acg爱好者。再如今日头条早期登录微博，也是抓取用户首页微博通过切词，主题词分析得到用户偏好，从而进行推荐。或者你可以如即刻一样，给用户一个初始化选择，同样可以达到目的。
一切都是建立在了解用户需求的基础上，推荐才可能得以展开。
2）对于一个有一定播放或收藏记录的用户，那我们除了可以根据用户画像进行类别上的推荐，也可以通过协同推荐等方法找到用户喜欢的内容最为相似的内容，帮助用户发现。
协同推荐方法在知乎上不少的介绍，感兴趣的可以翻翻，大致原理就是如果两个视频被一群人同时喜欢，那么他们很大概率是相似的。通过这个方法我们则帮助用户在留存这个阶段进一步拓展视野。
3）而当用户在视频平台已经累积有很多行为的时候，传统的推荐已经不能再满足，此刻我们则要思考如何给他惊喜感。比如推荐相似，不如一个同好的专家用户推荐一部冷门佳作会让他来电。
我们可以尝试去计算某个垂直分类（如喜剧）用户中最爱的视频排名，挑出大盘排名靠后，但爱看喜剧的人推荐的内容，这种往往和大盘有很大不同，但是推荐出来却有新意，不妨一试。
总而言之，推荐系统是一个复杂的综合体，需要从不同维度去考虑，从而结合多个算法合一提升推荐效果。
6.善用离线测试和abtest，让推荐效果更有说服力。
算法完善后一般要做离线验证，我们可以用上一个月的观影和收藏行为作为输入计算出推荐结果，和这个月用户实际收藏行为进行对比，看看命中率如何，不断调优。
同时，发布外网后，也可以根据后台尾号进行灰度发量，观察不同的两组之间收藏率，播放率的差异，评价上线算法效果的好坏。
对于一个内容推荐体系的搭建大致如以上所说，看上去都是通用框架，但落地和调优细节会有太多差异，但这也是不同推荐系统之间的核心竞争力吧。因此当开始着手搭建自己公司的推荐系统前，都要考虑再三，投入的人力，时间，用户需求迫切程度和了解程度都直接影响你的系统是否能搭建完成。
做推荐是有套路的。
1. 推荐的本质是什么？
题主想到的一些点都挺沾边的，例如冷启动、内容库、数据收集，但犯了至少两个错误：1）题主的图是串不起一个推荐流程的；2）想要跑通一个推荐流程，核心并不是推荐算法，而是内容和数据。
内容就是你要提供给用户的东西，例如你的视频库，UGC、PGC什么的。用户最根本的目的还是消费优质内容。没有好的内容库，是推不出东西的。
数据指的是用户的行为数据。没米是做不了饭的，没有数据任何算法都是走不通的。很多高大上的词，用户画像什么的，本质上都是对用户行为数据的抽象而已。另外，给内容打标签、打质量系数分也可以用用户行为数据。
推荐的本质，就是根据用户行为数据，提供更满足用户的内容。
2. 一个怎样的产品才能做推荐？
在我看来，至少包括两个要素：
1）足够大量的内容和数据
内容不够多的话，做榜单就行了，做个毛线推荐。
数据不够大的话，再好的算法训练出来都一坨翔。
做推荐准入门槛很高，是个贵族游戏。
2）产品形态有推荐的原动力
什么意思呢？一言难尽。
产品经理喜欢拷问一些诸如“为什么要做推荐？做推荐对产品有啥用？是不是有些用户不喜欢推荐”之类的问题，在我看来这是蛋疼问题，推得好数据一定会更好，问题就是你的产品未必能推得好啊。
推荐应该是个研发主导的事情，首先要拷问的是这个产品的数据流是否能否支撑某种推荐模型，要拿什么、怎么训练、出些啥、可以干啥。如果数据流最多做做协同，那硬要做feed流一定会死很惨。
满足有推荐的原动力的产品，我可以举几个例子：
1）用户帮你打标签，例如知乎、网易云音乐。形成这样的产品形态不容易，一旦形成就可以四两拨千斤。
2）搜索渗透高的产品很适合做推荐，搜索是挖掘推荐数据的大金矿。
3）外部数据（如爬虫）能起很大作用的产品，例如各种图文信息流产品。
一个产品纯靠推荐来运作是很难的，往往是搜索、分类、榜单、用户、外部数据等所有加起来给推荐提供训练数据。我厂现在走大中台战略，倒是让许多本来不好做推荐的产品也能给你推了。
3. 推荐的大套路
1）收集数据
收集数据永远是第一步。需要了解手中的数据是怎么来的，到底是用户干了啥产生的。并且最好建立感性的认知，这样对后续的ETL、算法选择、调参、模型解释等各个环节都有很大帮助。
2）建立指标
一定要先建指标，否则是没办法验证推荐效果的。常见的有CTR、PV、UV、人均等，结合自己产品形态来设计。
3）实现推荐流程
到这里才是算法选择和工程实现。一般来说，能做推荐的产品规模都不会太小，所以会遇到各种高并发、分布式存储与计算等工程问题。推荐算法只是推荐整个流程的一个小块，做推荐的往往需要算法、大数据、数据分析、产品思维等多种能力，非常苛刻。
4）不断地优化
就是不停地ABTest、调参、更新策略、更新算法，一步一步提高指标。
4. 推荐的小套路
四个字，热推多补。
热指的是榜单内容，多用于冷启动。
推指根据短期、实时反馈的数据进行的即时推荐，效果最显著。
多指多样性，不能老是推用户爱看的，这样会收敛。你永远需要补充一些用户没看过的来让用户发现新的大陆。
补指补充，指的是根据长期数据、近线计算的用户画像推荐的内容，可以起到良好的补充作用。
以热推多补作为指导思想，建立推荐模型、推荐策略。
5. 关于视频推荐
不巧我正好是做视频推荐的。视频有些特别的属性，例如啊：
1）视频的打标签和分类是个难题，主要原因是文本极少以及标题党问题。一般视频入库的时候会有一些简单的信息补充，但是用处有限。
2）另一个蛋疼问题是鉴黄，你懂的。
如果你能在面试时靠谱地解答这两个问题，基本上就稳了。
如有有同学有兴趣往推荐的方向发展，一定要有非常扎实的基础。再重复一次，推荐算法真的只是其中非常小的一块，不是搞清楚LR和协同就能做推荐的。
閱讀更多 知識服務習得 的文章
