做内容运营，要了解推荐算法的工作流程

推荐算法可以说是目前社区产品内容分发的标准配置，尤其是抖音珠玉。准确的推荐效果和巨大的商业成功甚至使许多模仿者几乎迷信个性化的推荐。作为一种操作，虽然我们不需要参与算法的设计和复制，但如果我们能对其背后的工作逻辑有一个基本的理解，它将更有助于我们完成战略干预和算法优化，并且在与产品和研发学生交流时不会因为知识盲点而开玩笑。推荐算法在工作中有四个步骤：获取数据、召回、排序和结果显示。1.获取数据是推荐的基础，是算法决定向谁推送什么样的内容的基础，主要包括用户数据和内容数据。用户数据包括基本肖像(如年龄、性别、地理位置等)和行为数据(如播放、喜欢、评论、分享等)。)；内容数据包含基本数据(如标签标签标签)、发布者权重等。)和热量数据(播放、点转评等。).2.召回数据库存中有大量内容。考虑到计算负荷和实时性的要求，算法不可能每次用户刷新数据库中的所有内容计算分数；因此，指定数量的内容通常根据社区内容的数量召回，通常是数百到数千。3.排序算法从数据库中召回的内容参差不齐，产品的目的是优先向用户展示好的内容，因此需要对召回的内容进行统一的评分和排序。4.结果显示将排序结果映射到前端的槽位显示，即用户看到的内容信息。2、推荐算法的类别主要包括流行推荐（热推荐）、基于内容推荐和协同过滤三种逻辑；辅以更简单的灵活策略，如人群推荐、标签推荐和操作干预。算法的本质是“猜猜你最想看什么”，其中热推荐负责找出最受欢迎的内容；协同过滤和基于内容推荐找出你可能感兴趣的类型。在应用算法时，社区通常会分别加权和混合上述逻辑。在技术有限或不需要个性化的社区场景中，也有单独的热推荐，如B站的[流行]tab，皮皮虾排名等。以后将分别分析几种推荐逻辑。三、热推荐热推荐是根据内容生成时间、播放、拇指、评论、共享等互动数据计算最受欢迎的内容，其数学原理相对简单，例如：图为社区产品帖子热计算公式，不必害怕公式，其原理非常简单，包括：1）views：浏览量，对浏览量做一次对数，主要是为了防止一些浏览量较大的内容异军突起，留在名单上。2）recommendScore：点赞数，作为考虑文章流行程度的因素。2）recommendScore：点赞数，作为考虑文章流行程度的因素。3)articleComments：为了减少刷评论的影响，对评论数进行了取对数操作。4）(age/2 update/2 1)^i：分母是对时间因素的考虑。从宏观上看，文章的受欢迎程度与创建时间成反比；细节反映为指数函数，可以通过调节I变量来改变时间因素对热度的影响。6）age：内容发布时间7)update：内容最终更新时间8)i：对于同一内容，上述计算公式可以简化为：可以看出，热量与创建时间成反比，因此反比值最终受重力因子I的影响。如果你想突出新的热内容和过滤时间过长的热内容，你需要增加重力因素。如果每周和每月都很受欢迎，你需要根据时间要求逐渐降低i值。对于不同的变量I值，随着时间的推移，热量的衰减趋势如图所示：例如，在我运营的社区主题页面推荐流中，热量通常按i=1计算，以确保每天内容的新鲜度；但当我做一个每周热门列表项目时，我将调整到0.5，以减少时间衰减的影响，以确保内容质量。第四，基于内容推荐和内容推荐，即用户浏览或喜欢内容A时，通过算法识别内容的元数据，为您推荐类似的内容B。其原理是识别内容标题、介绍、字幕、标签等信息，提取特征关键字，根据关键字计算内容相似性，作为推荐依据；如基于词向量的推荐算法。基于内容推荐最常见的应用场景是电子商务。在淘宝上，我们经常会遇到这样的情况：当你点击并搜索某种商品时，算法会在你的推荐流甚至其他平台的广告中插入大量类似的商品，甚至在早期推荐策略愚蠢时经常推荐你购买的商品。5、协同过滤不同于通过识别内容元数据和语义分析来计算基于内容的内容相似性的方法。协同过滤更倾向于启动“群众智慧”，通过用户组对不同内容的评分来计算内容的相关性，或猜测用户可能喜欢什么；前者是基于内容的协同过滤，后者是基于用户的协同过滤。1.根据所有用户对内容的评分，基于内容的协同过滤发现内容与内容的相似性，然后根据用户的历史偏好向用户推荐类似的内容。所谓打分包括播放、点赞、点踩等互动行为，可以是喜欢还是不喜欢。例如，如表所示，ABC是历史偏好信息相似的用户，ABC是不同的内容。A喜欢内容A、内容B、内容C，B喜欢内容A和内容C，目标用户C喜欢内容A；根据历史偏好，可以认为内容A类似于内容C，喜欢A的用户在阅读时喜欢C，并在此基础上向用户C推荐内容C。2.根据目标用户的历史消费行为，根据用户的协同过滤，找到类似于目标用户消费行为的类似用户，然后根据类似用户的偏好向目标用户推荐内容；简而言之，“类似你的人也喜欢这个”。例如：如表所示，A喜欢ACD，B喜欢B，目标用户C喜欢AC；因此，可以认为用户A的消费偏好与用户C相似，并在此基础上向用户C推荐内容D。六、操作如何理解推荐算法个性化推荐算法非常复杂，本文仅停留在概念理解水平，但实际上可以发现推荐算法的许多工作逻辑与我们的操作内容分发思路一致；如热推荐相应的推广，基于内容推荐相应的主题内容聚合、协同过滤相应的准确营销等。算法确实取代了一些操作工作，甚至比人做得更好，但也有其局限性；例如，热推荐不能真正理解和控制内容导向；协作过滤会使用户的推荐流越来越垂直，甚至感觉被算法控制。在真正的人工智能时代到来之前，操作策略干预仍将在内容分发中发挥重要作用，并与推荐算法互补共存。