五分钟了解信息流产品和内容推荐算法

1. 五分钟了解信息流产品和内容推荐算法

 前些日子听了 @kevin 同学的知乎 live 《了解信息流产品和内容推荐算法》 ，很有收获（可以在外行前装一装了 😄）。鉴于两小时的 live 信息量很大，就做了份笔记，把其中最有价值的部分做成了图解，应该算得上是「干货」了。
   不过， 5 分钟能读完的小文，到底只是走马观花而已。倘若读完真的感兴趣，还是建议去听 live，毕竟就其内容质量而言，9.99 元是真的值。
                                           每个使用新闻客户端的用户，都多少接触过的信息流这种产品形态。它有以下诸多特点：
   信息流的内容并不是纯靠算法推荐，人工运营也是其中的重要部份。实际上， 人工和算法各有所长 ——人工运营更长于新闻价值的判断（尤其是「情感判断」），以及对热点的预测，对突发事件的响应；而算法，运用在个性化匹配、冷门的长尾内容推荐上，则更适合。
   一个算法实现的内容推荐基本框架，理论上可以抽象成下图。
                                           落实到具体实现，这里是魅族  新闻资讯  的一个实际案例。
                                           一个信息流产品，不会仅仅使用一种算法模型，通常会进行分流。占大比重的是经过验证的稳定模型，同时，会有多个占小比重的实验模型。
   要评估这些实验算法模型的效果，采用的评测指标主要为以下三项：
   除此以外，还需关注的核心业务指标：
   为什么要看多个指标，不能只关注点击率呢？是因为一味追求点击率，会鼓励「标题党」，导致用户文章阅读完成度降低，最终影响产品调性，造成深度用户流失。
   影响信息流推荐效果的因素，并不仅仅只有算法模型。事实上，由于自建模型的难度很高，造成差异的往往是算法外的因素。
   首先， 强大的内容库 是一个信息流产品的基础。内容的多样性、数量、质量、时效如果得不到保障，推荐效果根本无从谈起。譬如，今日头条、网易新闻这种量级的产品，内容每日入库量至少超过 500k，可推荐集要超过 200k。
   其次，一些 交互细节及业务参数的调优 ，也会对最终的效果产生非常大的影响。
                                           另外， 数据上报 会极大影响推荐准确度和策略选择。而且通常也是埋坑及填坑最大的地方，需要产品对上报时机、阈值、去重、内容做规范。此外， 冷启动策略 、如何 防止用户画像固化 造成的「瓶颈效应」，等等，都会最终影响推荐效果。
   用户画像是内容推荐重要的参考体系，通常是对用户主动行为、推送刺激产生的数据进行挖掘后生成的。
                                           上图是魅族新闻资讯的一个用户画像实例，其中：
   信息流产品涉及领域非常多，包括内容库、用户画像、短视频、搜索、信息流广告，等等。而且每个领域都有很多值得深挖的内容，非常锻炼产品能力。
   如果想要入门信息流领域， 内容运营 是一个非常好的切入口——可以研究现有自媒体平台，深入探索它的下发策略、管理后台、数据统计。最后，是几本参考书籍推荐，能让产品对系统的理解能力成倍提升： 《推荐系统实践》  《这就是搜索引擎》  《计算广告》 。