產品經理懂推薦（一）-什麼是推薦系統

引

隨著以今日頭條為代表的內容聚合平台崛起[備註]，在互聯網的世界裡，原本只有電商關注的推薦系統被業界人士越來越多的提起，甚至成為產品的標配。那麼作為一名產品經理，就不可避免地要接觸到推薦系統。很多非技術出身的產品對推薦畏之如虎。本章的目的就是幫助入門讀者去解開推薦的面紗，去理解推薦、利用推薦實現新的產品目標。為了到達這個目的：本章首先介紹什麼是推薦，推薦的目標是什麼；然後，本章帶領讀者了解推薦的流程和原理；最後，本章最後嘗試在更高的視角上幫助讀者理解推薦，從而把推薦融入到整個產品當中。本章只是帶領讀者入門，不會深入涉及技術原理，請放心閱讀(￣▽￣)~*。

狹義上的推薦

首先拉到上帝視角談談信息檢索（Information Retireval）。信息檢索是人類的一大基礎需求，在互聯網時代意味著流量入口和錢。大到整個互聯網的信息，小到應用里某個功能頁面的信息，都在信息檢索的範疇內。幫助用戶快速找到需要的信息通常是做好一個產品的第一步。人類發現信息的方式通常有三種：

主動發現：一個人心理有明確的目標，找到什麼信息。比如你加班餓了，想買一桶桶裝的康帥傅(故意的)紅燒牛肉麵：（1）熟悉附近環境的你，可能直接走到最近的便利店，找到靠內櫃檯的下方，拿起泡麵走人。映射到線上的情況，就是什麼老司機的你，夜深人靜的時候默默在瀏覽器地址欄裡面輸入了爛熟於心的網址，一個回車鍵；（2）如果你對周圍不太數據，你可能走到一家超市。根據指引走到食品的貨架前從前往後掃，直到發現速食麵的貨架。然後找到康帥傅的架子，再拿起紅燒牛肉麵。映射到線上的情況就是，你打開網址導航，找到對應的分類，最後再分類中找到目標網站。這種現在看來有點笨的方式在互聯網剛開始的時候非常方便（現在對於一些輸入困難用戶仍有奇效），由此成就了巨頭雅虎；（3）還有一種辦法就是你問了一個附近的同事，同事給了你幾個選擇，並推薦你去樓下的便利店，你照做了，迅速找到了嘴饞多時的面。這種方式映射到線上的情況就是搜索，你在搜索框里輸入"XX社區"，然後一個回車，點擊頁面上的第一個結果（注意不要點到廣告！）。同樣，這種更快捷的信息查找方式成就了一個更強大的互聯網巨頭-谷歌。

被動接受：一個人心理沒有明確目標，但是又想找個點信息消費。比如你加班餓了，想吃點東西解解饞，你來到一家大型超市：（1）首先你發現超市門口就有很多特價促銷的食品，薯片剛好是你的最愛，於是你直接拿走，映射到線上體驗就是，你來到一個網站，看到首頁的banner圖很吸引人，直接就點擊了；（2）你覺得薯片不太健康，不是最近長肉的你應該吃的，所以你來到食品區，一番對比找到了自己想要的食物。映射到線上的情況就是作為軍事愛好者的你打開網站的軍事頻道，細細瀏覽了一番。前面兩種方式的組合從另一個方面成就了雅虎，也就是門戶網站；（3）

混合模式：同樣一個人心理沒有明確目標，但是又想找個點信息消費，而在混合模式中不一樣的是，信息供應方對信息需求方有一定了解，並且願意通過這些了解為用戶提供定製的服務，讓用戶被動接收的信息都是他們感興趣的，跟用戶主動搜索的體驗接近。比如你加班餓了，想吃點東西解解饞，你來到一家大型超市：（1）你發現薯片旁邊放著就是可樂，剛好都是你最常賣的食物，於是你一把拿走。對應到線上體驗，你在亞馬遜上本來想買本產品經理相關的書，結果發現下面的組合套餐更優惠，於是一起買了；（2） 你又發現拐角處的巧克力正是昨天朋友跟你天花亂墜誇了一通的那一款，乾脆買一包嘗嘗。映射到線上體驗，你昨天微博上關注了幾個用戶，因為這些好友都是你朋友關注的。

回想自己的日常生活，沒有明確目標地瀏覽信息是非常常見的行為。對比被動模式和混合模式，顯然混合模式的體驗更佳。現實生活中收到物理資源的限制，商家很難為單一的顧客提供個性化的服務，而這一限制在互聯網的世界裡蕩然無存，軟體產品可以做到千人千面而沒有太多額外的成本。為了更好地提供混合模式的信息檢索服務，推薦系統營運而生。那麼怎麼定義推薦系統(Recommender System)？

推薦系統是向用戶建議合適的信息的技術

從定義本身出發，我們可以看到推薦系統里涉及到的三個主要元素：用戶、（合適的）場景和信息。這裡的信息取決於用戶的需求，包括真實的物品(如亞馬遜的圖書推薦)，或是內容(今日頭條的新聞和視頻推薦、網易雲音樂的音樂推薦)，或者某個人(微博的好友推薦)，甚至是個性化的廣告(阿里媽媽的淘寶廣告)等等。下面我們進一步明確推薦系統的目標，它能給產品的提供方和使用方分別帶來什麼？

推薦的目標

首先要明確，信息過載（Information Overload）[備註，維基百科]的時代早已到來。IDC報告顯示，預計到2020年全球數據總量將超過40ZB(相當於4萬億GB)，這一數據量是2011年的22倍。大家可能對ZB沒啥概念，形象一點的說，如果有一台超級大的印表機和一張超級大的紙，我們在上面列印1ZB的文字(每平方毫米一個字元)，那麼我們得到的這張紙大約可以包裹整個地球2次。在過去幾年，全球的數據量以每年58%的速度增長。隨著日常活動的數字化，在未來網路存儲數據的增長速度會更快。在這樣的時代里，信息的消費者和生產者兩端都面臨著巨大的挑戰：從消費者的角度而言，在海量的信息里發現自己需要的信息無異於大海撈針。更何況這個大海每天都在膨脹，而且海量有很多假的針等著你去入坑。學術界也通常把推薦系統歸為信息過濾（Information Filtering）的一個分枝；從信息生產者的角度，如何處理和運用海量的數據，挖掘出數據中的寶礦，去更好地服務消費者則成了難題。

消費者視角-從人找信息到信息找人的蛻變

前面我們說到，如果用戶有明確的目的，搜索是一個非常方便快捷的信息檢索方式。但是隨著智能手機和移動網路的普及，用戶得到了越來越多的碎片化上網時間，「殺時間」成了很多產品的核心目標。人都是懶惰的，在這些碎片化的時間裡，用戶通常沒有主動發現信息的目的和動力，因此人找信息的方式在碎片化時間裡前途渺茫。相反，如果產品能適時為用戶過濾掉那些無關的內容，推薦出感興趣的內容，讓對的信息找到對的人，那麼這個推薦能力將大大提升用戶的使用體驗。推薦能力提升產品體驗的「一減兩增「：

減負擔：

不要用戶主動提出需求，只要打開產品，就能有剛興趣的信息立即可以消費，就能速食產品不需經過加工烹煮一樣簡單，開袋即食。首先，好的推薦能力讓用戶沒有心理負擔，大大減少了用戶打開產品的心理障礙，下意識地就打開產品。比如，你在沒有明確目的的情況下不會打開百度（測試網路連接的情況除外），而你在無聊的時候可能手賤打開網易新聞。其次，好的推薦能力大大降低了用戶的操作負擔，配合信息流的方式，形成刷的快感。就像你無意間打開網易信息，一睜眼，一下午又過去了。PC時代搜索引擎作為流量的主要入口的情況一去不復返了。在移動互聯網時代，入口分散在一個個APP內，需要信息主動去觸及用戶，減少用戶負擔，否則只能埋沒在01位元組中。

增新穎：

你可能喜歡看《曉松奇談》，曉松哥上知天文下曉地理讓你眼冒星星：「哇，世界原來那麼大，而且那麼有趣。」，感覺為你打開了一扇通往「那麼大的世界」的窗。是的，一個人的認知是極其有限的，世界上更多的是他不知道的信息。既然是不知道的信息，也就沒有主動發現的可能。但是好的推薦系統能根據用戶的歷史行為幫用戶打開通往新世界的門，帶來超出預期的體驗。比如一個天文愛好者經常看彗星相關的內容，今日發現「掃把星」的奇聞異事，細看原來掃把星就是彗星。用戶會發現這個推薦合情合理。(????)

增驚喜：

跟乾脆面裡面的水滸卡，遊戲裡面的彩蛋一樣，一些信息跟你在產品的主要消費行為無關，但是卻非常對你的胃口，這就是驚喜。還是那個天文愛好者，今天發現了可燃冰開採的消息，感到非常振奮，點開這條內容有種中獎的感覺。天文和可燃冰本身八杆子打不到，卻能被推薦出來，用戶會感到出乎意料。!!!∑(?Д?ノ)ノ當然好的出乎意料叫驚喜，不好的出乎意料叫驚嚇，提升驚喜度的同時要謹慎對待。

生產者視角-推薦的「六增」目標

增消費：

通常對信息生產者而言，最首要的目標就是消費。而他們引入推薦系統的首要目的也是提高轉化率，增加用戶對核心商品/內容的消費。就是提高有消費行為的用戶在所有信息展現用戶中的佔比。即使是最簡單的基於人口統計學的推薦，比如按照用戶的性別、年齡或地理位置劃分，然後按不同組別做銷量排名，也比沒有使用任何推薦演算法的效果好，因為用戶有更大的機會看到自己想要的信息，從而提升消費的轉化率。

增信任：

信任是日積月累的，用戶對於推薦系統的態度通常是不信任，到無所謂，再到信任。信任的結果是形成品牌，形成口碑，然後帶動產品的其它業務發展。比如，那些賣老年保健品的推銷員，他們的工作第一要務就是建立老年人的信任。通過無微不至的關懷建立起信任，然後推銷保健品，無往不利，甚至有些老年人覺得這些人才是他們的親娃。同理，通過好的推薦系統建立產品和用戶的信任，也能促進產品達成商業目的。增加信任度有效方法是告訴用戶你的推薦理由，這個信息是怎麼被推薦出來的，用戶認為合情合理，這樣一次次地教育之後，信任度自然慢慢提升。

增品類：

不同的用戶感興趣的信息差異極大，而且其中很多都屬於「長尾」[備註]信息。在現實世界裡，「長尾」的物品的命運基本是在倉庫里吃灰。而在互聯網的世界裡，「貨架」幾乎是無限的。如果沒有精準的推薦而只是反覆曝光熱門內容，對用戶而言往往是不夠的。想像一下今日頭條每天都只推薦主席講話，不帶其它內容還有有人去打開嗎？因此，營銷「長尾」信息，把用戶感興趣的信息呈現給用戶，也是推薦系統對於信息生產者而言也是至關重要的一環，這也是工業4.0[備註]的新趨勢。

增體驗：

越用越順手，越順手越用。好的推薦加上合理的交互設計，能夠構造用戶體驗的良心循環。最直觀的體驗就是根本聽不下來，剛剛看了一雙最流行的芭蕾舞鞋，後面出現同樣式更多的款式可以比較。通過不斷給予用戶正反饋，為用戶構建一個專屬的體驗，讓用戶沉澱在產品之中。

增了解：

建立用戶模型是互聯網企業逐步達成的共識，越是完善的用戶模型，越能準確刻畫用戶的需求，從而提高服務質量，深入挖掘商業價值。好的推薦系統是一個會學習的系統，通過收集用戶的顯示反饋（如評分、點評）和隱式反饋（如點擊、關閉等） 增進對用戶了解，並且進一步反饋到新的推薦中。而且通過這種用戶喜聞樂見的方式獲取的用戶喜好能夠作用在其它方面。如滴滴出行通過分析用戶的出行時間，做出動態價格調整來分散出行高峰。

增質量：

凡是人民擁護的，我們要擁護，凡是人民反對的，我們要反對。

以上，我分別從信息消費者的角度和信息生產者的角度闡述了不同端對於推薦的需求是什麼。完美的情況是，信息生產者的商業動機和信息消費者的消費動機是一致的，這樣生產者只要追隨者共同的目標就能讓產品走向卓越。但是事與願違，生產者的商業動機通常和消費者的動機是有偏差的。比如在淘寶購物的時候，你想的是買到物美價廉的優質商品，而淘寶想的是更多地給你提供能為他們帶來最大利益的商品。你可能因此買到價高質低的劣質商品。這就需要產品人對個中平和的精妙把握，這裡不再贅述。

聰明的產品懂推薦

站在巨人的肩膀上看的更遠，在我們引入推薦系統之前開始自己的推薦實踐之前，不妨先看看行業頂尖的推薦系統是怎麼針對不同的推薦需求進行推薦實踐。推薦系統只有真正契合產品的需求理念才能產生指數級的效果，反之就是畫蛇添足，浪費精力。

商品推薦：你的專屬商店-亞馬遜

亞馬遜是一家成功的大規模應用推薦系統並且取得成功的電商網站之一。最早亞馬遜的圖書推薦是通過僱傭一些領域專家，然後推薦一些熱門書籍，這種人工推薦的方式在在線書店最早出現的時候起了巨大的作用。為了降低人力成本而且提高購買的轉化率，亞馬遜開始在圖書推薦里引入推薦演算法，取得了令人矚目的效果，著名的基於物品(Item Based)的協同推薦演算法開啟了推薦系統研究的新時代。[http://Amazon.com Recommendations Item-to-Item Collaborative Filtering]這種利用大眾智慧的推薦演算法可以拓展到各個領域的推薦，時至今日我們幾乎能在所有的電商網站和內容推薦網站都看到協同推薦的身影。

電影電視劇推薦：推薦演算法的積極開拓者-Netflix[Watch TV Shows Online, Watch Movies Online]，

Netflix是一家美國公司，在美國、加拿大提供互聯網視頻播放，定製DVD、藍光光碟在線出租業務。該公司成立於1997年，總部位於加利福尼亞州洛斯蓋圖。國內騰訊、優酷和愛奇藝可以看出是C2C Netflix 的產品。Netflix對推薦演算法最大的貢獻莫過於著名的「百萬美元挑戰」，獎勵那個能夠最大提升推薦效果的團隊一百萬美元。

援引路透社紐約2012年9月21日消息： 來自186個國家的四萬多個團隊經過近三年的較量，世界最大的在線影片租賃服務商Netflix今天宣布，一個由工程師，統計學家，研究專家組成的團隊奪得了Netflix大獎，該團隊成功的將Netflix的影片推薦引擎的推薦效率提高了10%。Netflix大獎的參賽者們不斷改進了影片推薦效率，Netflix的客戶已經為此獲益。

第一個Netflix大獎成功的解決了一個巨大的挑戰，為提供了50個以上評級的觀眾準確的預測他們的口味。下一個百萬大獎目標是，為那些不經常做影片評級或者根本不做評級的顧客推薦影片，要求使用一些隱藏著觀眾口味的地理數據和行為數據來進行預測。可以看到Netflix對推薦演算法的需求明確，第一是為老用戶推薦更他們更感興趣的內容，第二是抓住新用戶的興趣點。

視頻推薦：信息視頻化入口-YouTube

如果讀者對媒體類應用有足夠關注的話會發現，視頻類的內容生產的越來越多，消費得也越來越多，換句話說，越來越多的信息被視頻化了。網路視頻的推薦有巨大的難點就是視頻本身可用的元信息很少，不像商品和電影有豐富的描述數據。很多在線視頻能夠有效理由的數據包括：標題，作者，分類和上傳時間，而且標題本身極短，通常不能提供有效的信息。備考谷歌這個大樹，YouTube利用用戶的地理信息，歷史行為，社交網路等信息，構建出一個複雜的組合演算法為用戶提供了令人滿意的推薦效果。如果你用的頻繁的話，你會發現YouTube推薦的推薦構成主要有四種：你歷史看過的（這個很有意思，很多內容會被看了又看）；基於協同過濾的（同亞馬遜的方法0；基於同類內容的；基於你的社交網路的。youtube通過推薦演算法構建了一個上傳、小幅視頻的生態，成為世界上最大的在線視頻網站。

音樂推薦：驚喜總在下一曲-網易雲音樂

網易雲音樂能夠在版權劣勢的情況下佔據音樂市場的一席之地，成為很多文藝青年的心頭好有一個重要的原因是它令人驚喜的歌單推薦。音樂推薦和視頻推薦一樣，音樂本身能被使用的數據不多，我們很難說抽取音頻文件本身的特徵去描述一首歌到底是什麼樣的，如這首歌是歡快的還是憂鬱的，是搖滾的還是民謠的。換句話說，一首歌要被人聽過才知道好不好聽，那麼誰來聽這首歌？而且，想像用戶的聽歌場景，通常是在完成某個任務的一段時間內會欣賞同一類型的音樂，如果每次只推薦一首歌會讓用戶有很大的負擔。網易雲音樂巧妙地利用了用戶的力量，通過歌單這層組織，把聽歌的任務交給組織者，讓人先組織推薦一層，第二層再去利用演算法。同時歌單合適一層很合適的推薦粒度，足夠用戶完成一個任務，而且還能訂閱。在歌單這個粒度上能用的信息大大增加，幫助演算法實現了更好的效果。

新聞推薦：你關心的才是頭條-今日頭條

今日頭條是在對的時機上出現的對的產品，智能手機和移動互聯網的普及給手機網民帶來了很多碎片化的閱讀時間。頭條通過聚合的方式（開始是野蠻地抓取，做大之後開始和新聞源合作）整合了網路上的優質內容，再通過推薦演算法分發到用戶手中。這種新穎的方式讓用戶只用一個APP就能看到自己感興趣的全網最優質的新聞內容。另一方面，文本推薦是一種較為成熟的推薦，因為整篇文章都是可以利用的數據，通過基於內容的推薦形式就能做到很好的效果。進一步地，頭條開始「泛娛樂化」，推薦一些老少皆宜「沒營養的內容」，慢慢變成了一個「時間殺手」。推薦系統在逐漸形成了頭條的核心競爭力，是國內推薦系統的標杆。

原創超短視頻推薦：平凡人的大舞台-快手

快手是一個簡單到極致的產品，就是這樣一款展現普通人生活的應用有著高達4千萬的日活，取得這個成就的一個巨大原因是快手的產品理念：關注平凡人的生活。不同於微博高舉高打，一路明星大V地轟炸，快手堅定的去中心化的路子：每個人的作品都會被曝光，效果不好迅速打壓，如果效果好就迅速大量曝光，但是曝光會被限定在一定範圍，培養出很多小V，盡量不造出大V。這樣的產品理念灌輸到推薦系統中，對快手的崛起起了至關重要的作用。

聰明的推薦演算法要懂產品的理念，推薦演算法翻來覆去可能就那麼多，但是優秀的推薦實踐是無限的。簡單了解了這些現象級產品背後的思考能夠對我們自己的推薦實踐帶來更多啟發。下面我們了解一下推薦系統的三元組。

推薦演算法里的三角戀

前面在推薦系統的定義中{引用}我們了解到到推薦系統里涉及到的三個主要元素：用戶、（合適的）情景和信息。這樣的三個元素組合成一個推薦系統最基本的思維模式：

什麼人在什麼場景下需要什麼信息

通常產品設計者在思考推薦策略的時候總是關注什麼人和什麼信息兩個部分而忽略情景這一重要的組成部分。為了說明情景的重要性，我們來玩一個不同詞性的詞語組合遊戲，這是小學的語文課上，語文啟蒙老師教授的，至今記憶猶新，遊戲規則是這樣的：，首先把學生分成三組，每個學生都獲得一張紙片。第一組學生在自己的紙片上寫上一個自己喜歡的人物類名詞；第二組學生寫上任意的地點類名詞；第三組學生寫上動詞。寫完自己的詞之後蓋上，老師分別從每個組隨機抽一名同學進行組合。乍一看有點不明所以，看到組合之後的結果會發現這個簡單遊戲的深刻含義。

如上圖所示的例子，我們有三組同學分別列出自己詞，我們一共能得到2的3次方8種組合：

事件

場景分析

需求挖掘

推薦策略

美國總統在月球跳舞

美國佔領月球了？

需要向全世界宣傳

推薦發揚美國國威的舞曲

美國總統在月球吃飯

月球上開新飯店了？

去試試

推薦美式漢堡薯條披薩

美國總統在廁所吃飯

和老婆吵架了？

被逼無奈

推薦空氣清新劑

美國總統在廁所跳舞

心情不錯？

High起來

推薦輕快的舞曲

產品經理在月球跳舞

買不起房被逼移民？

內心是崩潰的

推薦悲壯的舞曲

產品經理在月球吃飯

窮鬼都能上月球？

走投無路

推薦稀飯和榨菜

產品經理在廁所吃飯

被開發追殺？

好怕怕

推薦中南海保鏢服務

產品經理在廁所跳舞

產品上線日新增百萬？

激動得停不下

推薦最勁爆的搖滾樂

從上面的例子我們可以看到即使是相同的用戶有相同的任務，所處的情景不一樣，他們的需求也是千差萬別，相應地，我們的推薦策略也應該隨著{人物,情景,信息(這裡的信息包含內容，物品等，後面統稱為信息)}這個三元組的變化而變化。這是一個很好的開腦洞遊戲，建議在沒有靈感的時候通過這樣的方式發散一下思路，哪怕再天馬行空也嘗試豐富一下。這個遊戲對情景的描述只限於空間，我們還可以通過加入時間和任務的元素來豐富這個遊戲。當然，有些組合出現的可能性不高，比如上訴例子中，月球上放生的事在近30年發生的可能性都不大。作為產品經理就需要細細甄別，從優先順序高的事情做起，這裡不做過多深入探討。下面我們詳細了解一下人物,情景和信息之間的關係。

首先我們明確一下人物,情景和信息這三個元素分別是什麼：

人物：推薦的受眾，人物的模型通常通過人物三個角度刻畫：（1）個人信息，主要包含年齡、性別、職業、收入、學歷、家鄉等，是一些相對固定的信息。例如一個20歲出頭的女性藝術家跟一個50多歲的男性農民工的在同一個任務上的需求可能也是完全不同的；（2）喜好，主要通過人物在系統(本系統或者其他系統)中的歷史行為描繪出的任務好惡；（3）社交信息，通過人物的社交網路信息描繪出該人物的設計信息，包括關注、粉絲、好友等。簡而言之對人物的描繪就是：什麼人有什麼朋友/親人喜歡做什麼。

情景：推薦受眾當時所處的環境，情景模型通常通過三個維度刻畫：（1）時間，這個很容易理解，白天、還是晚上，上班時間、通勤時間還是休息時間，工作日還是節假日。例如在工作日的上班路上，用戶可能需要放鬆心情的信息；（2）空間，簡單說就是用戶在什麼地方，根據需要調整地點的粒度，不一定是越準確越好，有時候定位到城市也就夠了，現在很多APP動不動就要GPS信息就是個毛病，有城市IP就可以滿足大部分需求了；（3）上下文，就是用戶在完成任務過程中所處的上下文。如用戶是在搜索，是在小幅內容或者是在購物。簡而言之對情景的描繪就是：什麼時間什麼地點正在幹什麼。

信息：系統可以推薦出來的數據集。同樣我們也從三個維度去刻畫信息：（1）時效性，這條信息是什麼時候產生的，現在是否還有價值。例如經典名著可能永不過時，而新聞最新最新；（2）信息詳情：根據推薦信息的屬性，詳情可以是文章的內容、標題、生產者。優質的生產者在消費者中建立起了新人關係。（3）評價：通常而言，推薦系統都會對信息有一套評價體系，如電商和影評產品中常用的打分機制，內容推薦常用的評論和點踩機制等都是對信息很好的評價方式。簡而言之對信息的描繪就是：什麼時間產生了什麼東西，這個東西怎麼樣。

今日頭條內容卡片樣式

這裡觀察一下今日頭條PC網站的新聞卡片實例，對信息三個維度都做出了描述：時效性方面展示了發布時間，用的是相對時間（即產生時間和當前時間的時間差，方便用戶理解，不像絕對時間那樣還需要在腦海里換算一下，距離現在多長時間） ；信息詳情方面展示了縮略圖、標題、內容分類和發布者，方便用戶一眼能看出這是什麼新聞；評價方面則是展示了評論。這個還加入負反饋的操作，幫助系統提升個性化推薦的效果。

我們知道，用戶的任何行為都是帶著某項需求，某種動機的。下圖闡述了人物,情景和信息三元組的關係是環環相扣，缺一不可的。

推薦三元組關係圖

實例介紹：

從網上的資料里中我們能夠了解到，在今日頭條的演算法組成里，人物，情景和內容(信息的一種)是三個主要的構成元素：

「今日頭條作為一個個性化的推薦引擎，其推薦系統中使用了各式各樣機器學習演算法，還有很多深度學習的演算法。我們對每一個用戶建立了非常高維的向量表達[]，對每一個內容（文章、視頻、問答）設置一個非常高維的深度學習所學出的向量表達，對每一個時空環節、用戶所在的地理位置及時間也都學出了一個向量表達。我們需要在這中間做一個匹配、算出一個模型，使每一個用戶都有一個針對它的個性化的表達，而且能夠根據用戶新的使用行為，在幾毫秒內更新一遍。在這樣的情況下，今日頭條這樣的產品上，我們可以看到越來越多各式各樣的內容。」[引用]

所謂向量表達通俗地理解就是建模，把某個對象已知的信息描繪成算能夠理解的形式。

本節簡要首先介紹了傳統意義上的推薦系統的由來和目標，隨後介紹幾個推薦系統針對不同不同行業的標杆產品，最後簡單說明了推薦三元組人物、情景和信息的關係。在了解完這些基本概念之後，下一節我們開始了解推薦系統的基本構成和基本流程。

原創內容，轉載請註明。