一篇文章是如何被推荐到你眼前的？

这些召回模块都有他自己存在的理由，例如根据地理位置的召回、根据分类兴趣的召回、根据关键词的召回、根据热议度的召回等等，都是产品经理或开发的想法的一种尝试，大致可分为四类：

1. 兴趣

• 基于内容及用户模型进行推荐；
• 基于订阅收藏等互动行为进行推荐。

2. 协同

• 基于内容：内容的协同
• 基于用户：用户的协同
• 基于用户：内容的协同

3. 热门

• 流量热门推荐：用户行为表现热门的内容；
• 事件热门推荐：最近发生的热搜事件。

4. 本地

• 本地内容推荐；
• 地域内容推荐。

产品汪基于业务需求，在召回模块的探索有：增减召回模块、召回模块逻辑/效果优化、调整召回条数配额。

此类abtest除了关注整体指标外，还需要关注对召回模块的影响：

召回过后会有一个小的过滤环节，主要是一些拉黑过滤，重复过滤等等，把一些不能推或影响体验的内容过滤掉。此环节的过滤和索引前内容候选的过滤不同，前者是具有普适性的过滤（例如低点击过滤、过期过滤等），后者和用户的行为、属性有关。

尖子生魏无羡重新加持，开始 CTR PK 环节——排序

排序环节关注三个词：模型、特征和权重。

1. 模型：如LR、XGBoost等，单模型或多模型融合都有可能。
2. 特征：一般有几百个，如分类、兴趣点、阅读时长、阅读速度等等，应有尽有，只怕你想不到。
3. 权重：特征之间相互PK，权重高的特征对排序结果影响较大，权重可以是机器学习的自然结果，也可能是人工干预的结果。

所以CTR工程师的工作就是选择模型、采样数据优化、增删特征和调参，字少事大的又一典型。

奔向蓝忘机之前，魏无羡还要过一道人工坎——重排

重排环节主要处理一些业务规则。例如视频推荐占比不超过60%、第2个位置固定出运营内容、相同兴趣点新闻黏连不能超过3条等等，都需要在重排环节处理，这块代码是开发最不忍直视。

规则是最快的上线生效途径，可以用于纠偏、提权等操作。例如，希望增加视频推荐，一开始可在重排环节强出视频（召回环节简单做），保证视频的曝光增多，abtest验证加入视频推荐可行后，再从内容池、召回等环节精细化开发，走一个较长的排期。

总地来说，短期的人工干预应该逐步被长期的机制所替换。过多的“补丁”会严重增加系统的复杂度，降低可理解性。所以更建议优化召回模块优先于排序模块，因为修改召回模块扩充候选集能拥有更多可能性；而主观修改排序模块则极有可能损失公平，降低效率。

Happy Ending

最终下发8-12条，魏无羡奔向屏幕前的蓝忘机，有情人点击阅读，终成眷属。

有的人觉得个性化推荐是“APP更懂我”，但其实个性化推荐的过程不仅具有个体进化意义，还具有群体评估意义，就拿正文页末的“喜欢”、“不喜欢”按钮来说：

1. 个体进化意义：当用户点击“喜欢”按钮时，是主动表达他喜欢这类内容，次数可以表示程度，用户画像得到完善，可加权推荐此类内容。
2. 群体评估意义：当内容的“不喜欢”数累积到一定阈值，结合账号等级，内容将进入人工复审进行质量判断；若累积到一个高阈值，将直接下撤内容或回炉再造（大概率是降低体验感的差内容），起到维护内容生态的作用。

以上是智能推荐系统的整体概念，其中的去重、相似推荐、本地推荐、新文章冷启动、相关视频推荐等等，每一模块都可以是独立业务，精细化做起来都是满满的工作量，学无止境。

（推荐系统示例）

结语

引用闫泽华在《内容算法》里写的：

个性化的好：在既定的指标体系下，借助技术手段不断追求更好的数据表现，是生意。

好的个性化：在不改变用户目的的前提下，借助技术手段达成用户效率和体验提升，是理想。

本文素材来自互联网

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!