新聞客戶端推薦召回產品分析
最近讀《躍遷》，書裡面有個非常有趣的觀點，成功人士都會聯機學習，即不閉門造車，主動跟行業領域最頂尖的人學習，快速成為高手。小樂帝團隊很多人都感嘆業務負責人聰明有洞察，殊不知其正是踐行了此法，跟行業內和企業內頂尖人士聊獲取切入點或洞察點，在信息這塊其已經獲得了壟斷優勢，而手下人輸入有限，自然差距越來越遠，自嘆不如。
由於欠缺推薦系統的經驗，日常工作一邊在造輪子，一邊也在學習推薦系統。與行業內交流，能夠迅速提升認知，跳過需自己摸索的坑，這也是聯機學習的體現。
推薦場景分類
做To C產品喜歡講場景，因為場景直接決定了是否存在需求，需求有多強烈，投入多大資源。場景實際上是人們現實生活的抽象，推薦系統的場景則是在To C場景下的再抽象。所以從這個角度來講，推薦系統無論服務於To B行業還是企業內部團隊來做，始終是B2B2C的產品。首先需要開闢推薦場景，再根據具體場景構造推薦系統。
個性化推薦則充分展現出千人千面的特點，每個人在不同場景和時間點看到內容都不同。某門戶客戶端推薦頻道以及非人工編輯的頻道，都歸為此類。再如小樂帝當初負責的做的頻道分類頁，也是根據用戶畫像推薦不同的頻道給用戶。
推薦召回分類
推薦召回分層
推薦系統本質上是解決信息過載背景下的信息檢索的問題，體現在具體業務上就是具體商品或內容分發問題。顯然易見，業務人員不關心推薦召回或模型演算法有哪些以及如何使用，推薦系統技術人員也不關心業務人員有哪些業務策略或套路。也即業務人員和推薦技術人員天然存在認知上的鴻溝。
推薦系統能夠起作用，核心並不在於AI技術運用有多牛逼，而在於如何能將推薦系統很好的封裝，為業務人員所用。這裡的業務人員既包含運營和產品也包含老闆等。
推薦系統至少能夠分兩層：演算法層和業務層。這也是目前電商和內容領域普遍採用的方式。當然目前推薦系統在電商領域也逐步認識到不懂業務和推薦的產品運營人員的干預只能降低推薦效果，正在逐步收回人的權力，輔以更多的智能。
在當前這個時代，人工干預短期仍是少不了的，尤其在行業內推薦技術人員普遍不懂業務的前提下，很難做到大電商演算法解決一切的潮流問題。
舉例來講，小樂帝老東家曾經將旗下短視頻內容引入新聞客戶端，並在推薦頻道中個性化分發，以此提升整個產品的用戶粘性。起初由於物料過少，推薦分發的少，效果在結果中不能體現，也就沒有然後了。
召回分層的本質
小樂帝所做推薦系統服務於互聯網各類客戶，召回需求也多種多樣，例如根據同性角色推薦用戶、根據時間推薦、根據是否有封面推薦、根據性別推薦等等。從本質上來講，客戶的需求都有其合理性和實際場景支撐，在推薦系統實現上講更多是一種預召回。也即在各類演算法召回的前一步，通過資料庫過濾或排序，實現粗召回，再經過演算法召回和AI排序，生成既滿足業務需求也能滿足一定推薦效果的推薦結果。
召回的分層邏輯，在大數據中也普遍使用，mapreduce即通過map和reduce兩個過程，將海量任務分解，高效處理。在日常工作學習中，也值得借鑒。
「產品經理讀書會」
專註於愛讀書愛思考的產品人提供讀書推薦、產品思考、以書會友的環境
歡迎愛讀書的產品人分享產品道路上的感悟
TAG:產品經理讀書會 |