先说一下场景吧，其实很多年前就有了这些东西，只是还没有上升到推荐算法这个高度吧。

场景1：Feed（信息流）

也就是像头条、微博、知乎的首页一样，刷不完的信息，而且刷着还挺符合自己的兴趣爱好的，于是就放不下了。

场景2：猜你喜欢

这个也不陌生吧，比如淘宝、网易云音乐、懒人听书、腾讯电影，几乎各行各业都在猜你喜欢什么。

猜你喜欢，也可以衍生成，猜你需要，猜你想听，猜你想看，只是统计算法维度的不同而以。

这里想重吐槽一下淘宝，总感觉淘宝少了一个订单的用户购买维度，因为他总是在我购买了一件东西后给我推一样内容的商品

（PS：是不是傻呀？）

我都买了，你还推出一些比我买的还要低价的同商品给我，你不是找骂吗？

快点改成猜我还想要吧。

场景3：相关推荐

这个大大小小的网站都有吧，最简单的，就是每个文章下面都加了一些其它的文章标题，名为相关内容。

起初他就是一个关键词匹配，现在有了算法，需要的维度就更多罢了。

场景4：热门推荐

这个和feed流有点相似，但有些不同，可单独拿出来，是因为热门推荐的机制与当事人没有关系，它的机制属性或者数据全来源于外部。

比如：外部收集到的热点话题，全站用户的点赞、评论、分享等在一定时间内的形为数据而进行推荐演变出来的。

典型的有微博话题排行、推荐电影等等。

互联网里大部分时间看到的是这四种。

其中以首页的feed流计算是最难的，毕竟是首页，而且占据了全版面，大部时间都拉用户停留的页面。

所以以我所学，再次分析一下信息流吧。

信息流推荐机制有哪些？

信息流（Feed流）的推荐算法可以有推和拉两种形式，当然也可以是推拉结合一起。

什么是推流？

“推”简单一点说就是，平台的主动形为，把信息按某些算法的结果主动的推送给到用户。

像facebook、朋友圈就是以推为主，通常他们都是有强社交关系或者是粉丝社交关系，并且有一定的时间效应。比如我（微信：半打啤酒）发出一条朋友圈，我的512个好友就会收到我的信息（看不看是另一码事）。

什么是拉流？

“拉”简单一点理解，用户主动的刷新Feed流，接到的信息，这些可能时效性不是那么好，比较知识类的内部会偏向于拉的方式。

如知乎、头条、等等。他们的特点就是按强兴趣对内容和用户进行匹配，对及时性要求不高。

推拉结合

还有就是推拉结合的方式了，举例特点：微博。

微博是弱关系社交媒体，我们通常会关注很多的大V群体，所以当我们关注的大V发信息了，我们通常会第一时间收到，并且会插入到列表里，然后再是其它推荐的信息。

当然按时间过期的原则，部分的信息在你长时间不打开微博情况下，也会消失不见。

除了这种主动推的方式，剩下的就是拉的方式了，我们拉一下刷新，刷出了推荐给我们的内容。

通常我们几乎人人都知道他们是按兴趣来推送的，但我们不知道他们是如何算的，

但做为一个产品经理，我们不一定要知道它是通常什么公式计算的，但我们必须知道它的整个运行原理。

如何知道用户的兴趣爱好

我们拿头条来举例吧。

头条有海量的资讯内容，如何做到每个用户看到的都是自己喜欢的呢？

如何分析用户的兴趣？

笔记总结

总体来说，就是

当用户进入APP时，并不是空白的，一般软件，会通过匹配外部数据公司买来的数据，例如：淘宝的数据、支付宝的数据、微信的数据等等其它APP的数据来给用户做初始的画像，当然还可能有自身的数据，如记录你手机的行为数据，你打开别人的APP的时间，哪开了哪些APP，再就是包括了你注册时提交的性别、年龄、头像、地区、甚至是兴趣分类的数据，都是用来做为你的第一用户画像。

如果他真是拿你没办法，没有外面数据，你也不填写数据，还有一个很重要的推荐算法的方式，叫协同算法。

也会通常贯穿一整个推荐信息流的方法。

就是利用你的社交关系，以及与你同兴趣、同年龄、同爱好、等相同点，看看他们都喜欢什么，然后也同样的开始推送给你。

然后它可能就说它懂你了，然后就给你推信息。

然后如果推送的一些信息有中了你的爱好，那么它就开始一个全新的学习闭环。

记录你的信息，如：你的行为数据、社交关系、甚至你的聊天内容，然后开始匹配内容信息，筛选内容信息，进行重新排列，再推送到你。

如何对筛查出优质内容呢

当然这所有的推荐算法是对用户的兴趣进行筛查，同事的，对内容的筛查同样的重要。

如何把重要有趣的内容挑出来？

笔记图

基本的闭环其实，还是不停的试，试着试着就出来了，试出内容是否高质量，试出作者是否真的有能力。

通常会先用AI智能筛选一遍，再人工抽查一下，然后再小试一批用户，数据效果不好就停，好的话就再推，推上一定的时间，就是好的内容。

当我们了解了所有的原理后，我们接下来就要想想如何分期一步步的完善这样的一个系统了。

今天先说到这里，下一次心血来潮我再把我做的一个推荐系统写一下。