文章来源：一个数据人的自留地

作者：安怡

预计阅读时间：10分钟

自信息大爆炸的时代开始，每天人们接受的信息都是海量的。如何高效地获取有效信息，对每个人来说都是挑战。在 PC 互联网时代，搜索引擎很好地承担了这一任务。人们通过搜索引擎，可以很快找到自己需要的信息。随着智能手机和移动互联网的发展和普及，人们获取信息的习惯随之发生了变化。人们不再习惯于通过搜索引擎寻找自己需要的信息，而希望能从推荐系统中自动地获取有价值的信息。

这些推荐类的产品，以信息流产品最为火爆。信息流产品中，新闻资讯类产品比如有今日头条、一点资讯、趣头条等；短视频类产品有抖音、爱奇艺、微视和美拍等；知识问答类产品有知乎和悟空问答。

对于这样的产品，个性化推荐算法的精准度是非常重要的。这个产品能不能精准定位用户的喜好和偏爱的方向，并且将正确的内容准确无误地推送到相应用户的客户端上，从而给用户带来极好的体验，是用户会否继续使用该产品的关键且重要的因素。

对信息流产品的这些基本的认识，激发了我对推荐策略的兴趣，也引起了我的一些思考。

我首先想到的是这样一个问题：推荐系统是做什么的？这个问题有很多种回答，从最简单的「就是推荐呗」，到极具专业性的定义，不一而足。但是我希望寻找到的，是一个足够具体能够描述清楚推荐系统的任务，又足够抽象以便抓住它的核心特征的描述。

在我看来，推荐系统是一个能根据用户的喜好，在内容池中选取合适的内容，推送给用户的系统。

「细节总是藏在模糊的用词中」。

在这样一个对推荐系统的阐述中，有两个模糊的用词：「喜好」与「合适」。显而易见，推荐系统是在内容池和用户群体之间架起了一座桥梁。而这座桥梁架得好不好，就要看内容是否「合适」了用户的「喜好」。因此，一个好的推荐系统，要能够判断用户的喜好，并且要能判断内容是否能匹配用户的喜好。这就意味着，推荐系统需要能在一个可以相互比较的体系中，准确地评判用户与内容两个方面，并对他们进行匹配。二者的匹配程度越高，或者说相似程度越高，那么这个推荐系统就越好。

用户与内容本是两个维度的事物。现在推荐系统要在同一套体系中可比较地描述用户与内容，这无疑是个难题。站在产品经理的角度，我认为用「标签化」的方式来描述用户与内容是一种可行的方案。

一个人可能会有多种喜好。比如说他可能喜欢 NBA，喜欢汽车，喜欢美女。那么就可以说他有这三个标签。同样，一个内容（可以是文章或是视频或是其他有内容的东西）可能涉及多个方面，比如可能涉及 NBA，也可以同时涉及美女（比如 NBA 场上的篮球宝贝）。这样一来，我们就可以在一个统一的标签体系中，对用户和内容进行比较了。

既然确定了要用标签来描述用户和内容，接下来的问题自然就是：「怎样的标签体系才能算是好的标签体系」。在我看来，一个好的标签体系至少应当有以下几个特征：

• 全面；

• 树状结构；

• 数值化。

「全面」很好理解。如果一个标签体系只能描述 50% 的内容，剩余的 50% 内容只能标记为「其他」。那么显然这个标签体系不堪使用。因此我们说，一个好的标签体系应当足够全面，以便能够覆盖尽可能多的内容和用户。

「树状结构」的概念则需要一番解释。

仔细想想，我们不难发现，标签应当是分级的。比如「体育」这个标签下，可以有「篮球」、「足球」等各种运动；「篮球」这个标签下，又可以有「NBA」、「CBA」等各种联盟；「NBA」这个标签下又可以有各支球队，比如「湖人」、「火箭」等。再举一个例子，「汽车」下可以有「宝马」、「奔驰」等品牌；宝马下可以有「宝马 3 系」、「宝马 5 系」等系列；「宝马 5 系」下可以有「宝马 X 530」等具体型号。

这样一来，标签体系应当是一种树状的结构，即同一个标签下可以有多个同级的子标签；多个子标签可能有同一个父标签。我们认为，如果一个用户或者内容被打上子标签，则他同时带上了各级父标签表达的兴趣偏好。

我们可以通过这样的例子来说明树状结构的好处。比方说一个用户被打上了「宝马 X 530」的标签，那么他同时具有了「宝马 5 系」、「宝马」、「汽车」等各级父标签。考虑到同一时间段描述「宝马 X 530」的内容不会很多，如果一味地给该用户推荐「宝马 X 530」的内容，则很快会陷入没有内容可推的状态。但由于我们的标签是树状的，于是我们可以假定用户对宝马 5 系旗下其他车型感兴趣，或者对宝马旗下其他系列感兴趣，又或者也可能对汽车这一标签下其他话题感兴趣。据此，我们就可以做更丰富的推荐了。

「数值化」可能是最重要的一个特点了。

我们注意到，标签是一个文字性的东西。它一不方便比较，二没办法计算。这样一来，我们就很难用计算机对它们进行高效、有效的处理。因此，我们需要将标签数值化。数值化可以依赖于权重，也可以用现在流行的「嵌入（embedding）」的方式去做。

按权重的方式，我们举例来说，A、B 两篇文章都是关于车展的。那么显然，两篇文章都不可避免地会跟「汽车」和「美女」相关。我们假定它们都有这两个标签。但是不同小编写的文章，会有不同的侧重。比如说 A 文章大概 80% 的内容跟汽车相关，剩下 20% 的内容跟美女有关；反过来 B 文章大概 30% 的内容是关于汽车的，剩下 70% 的内容在描写美女车模。这样一来，相较于用纯粹的文字描述，A、B 两篇文章的面貌就清晰多了。

继续举例，假设有 a、b 两个用户。根据用户画像，a 对汽车很有兴趣，兴趣值大概有 75%；对美女则兴趣缺缺，兴趣值只有 25%。用户 b 则相反，对汽车没太大兴趣，兴趣值只有 15%；却对美女异常感冒，兴趣值达到了 85%。

根据这样数值化的权重，显然，我们将文章 A 推荐给 a 用户以及将文章 B 推荐给 b 用户是比较合适的。

再深刻一点，我们可以建立一个直角坐标系，以横轴表示汽车这一标签的权值，以纵轴表示美女这一标签的权值。在这样的坐标系中，同时具有内容（红色矢量）和用户（蓝色矢量）。推荐系统需要做的事情，就可以简化为寻找夹角最小的红蓝矢量了（也就是夹角余弦值最大的两个红蓝矢量）。显而易见，应当将内容 A 推送给用户 a；相较而言，不应当将内容 B 推送给用户 a。

站在产品经理的角度，有了思路，就要想办法实现。那么现在的问题是，怎样为内容打标签？

最粗浅地，我们可以召集大量人手，用人工的方式逐一检阅所有内容，然后为它们打上合适的标签。显然，这种方式准确度较高，但是费时费力，成本也高。

高级一点，我们可以通过各种算法，探寻文章或视频的主题，然后为内容打标签。这种方式自动化程度高了不少，成本自然就会降低很多；但这种方式依赖于算法的能力，不可能达到特别高的准确度；或者达到高准确度的代价很大。

站在产品的角度，我们还可以采用众包众审的方式给内容打标签。这种方式成本较低，同时可以收获较高的准确度。

举个例子，Bilibili 上的视频默认是没有标签的，而 B 站允许用户自己给用视频打标签。比如某个视频是关于「炮姐」的，用户看过这个视频之后，就会给它打上这一标签。站在产品后台，我们可以看到很多用户都给视频打上了标签，并且统计到有 80% 的用户都给它打上了「炮姐」这一标签。那么我们就可以认为这个视频具有「炮姐」这一标签的可能性很大。

这种做法也会有一些令人担忧的地方。比如说，有可能 80% 的用户觉得这个视频很搞笑，于是顺手就给这个视频打下了「哈哈哈」这样的标签，那么系统可能会认为「哈哈哈」就是一个标签；但这显然是不合适的。这种情况，就需要人工或者算法介入，及时纠正这种标签。

同样，我们也需要为用户打标签。

用户标签反应的是用户内在的喜好。这种内在的喜好我们是无法观察的。我们能观察到的，只有用户主动暴露在外的行为，然后通过这些行为，去推测确定用户的喜好。

用户主动暴露在外的行为可以分为两类。一类是我们主动出击去探寻的，比如我们可以采取问卷调查或者访谈的方式，主动去询问用户的喜好。二类是我们被动去收集，比如可以收集用户点击内容、对内容点赞点踩、对内容进行转发、对内容评论等行为，以此来推测用户的喜好。通常而言，主动探寻的方式成本较高，且难以大规模收集数据；被动收集的方式成本较低，能够大规模收集数据，但是往往在「冷启动」阶段会遇到困难。

假定我们在冷启动之后，有能力通过用户行为给用户打标签。那么一个需要我们解决的问题就是在冷启动阶段，如何留存住用户，同时暴露尽可能多的用户行为？这里有几个可能的办法。

在用户注册或者初次登录时，在 App 界面弹出一些常见的标签，供用户选择。这实际上是通过问卷调查的方式，主动收集用户的偏好。借此，我们就能够对用户的喜好有基本的了解，进而给用户推送相对合适的信息，尝试在留住用户之后，收集其行为数据，再进行精准推荐。

有些用户可能会选择跳过这些问卷调查。此时，在主动的方面我们没有探寻到用户偏好，在被动的方面我们没有任何数据可供参考。于是，我们只能推荐一些用户普遍具有点击欲望的内容；比如一些「三俗」内容，比如一些新奇的、反常规的内容以抓住用户眼球，以图后续对用户行为的数据进行收集、分析，进而去做推荐。

关于推荐系统，还有一些站在产品经理的角度需要考虑的问题。比如用户是在哪里查看我们的推荐的（App 还是 Web 端？），会否对偏好造成影响？用户是用手机、iPad 还是 PC 观看的？用户使用的是流量还是 Wi-Fi？用户使用的设备是什么品牌型号的？这些都有可能暗示着用户的观看偏好，需要在推荐策略上进行调整。