难题：资讯Feeds如何做冷启动？

一、信息流引言信息流（Feeds）贯穿我们24小时互联网生活的形式几乎无处不在。当你通勤时，你可以在地铁上刷今日头条了解最新信息。信息流整齐地排队等待你的阅读；当你想吃一顿好饭时，公众评论的信息流给你“种草”了许多城市餐馆；我不能梦想在晚上割手来奖励自己辛苦工作了一天。淘宝上各种各样的推荐商品流是如此准确，以至于我无法停止刷牙。。。虽然信息流已被广泛应用，但事实上，最早的应用是从2006年Facebook发布的信息流开始的信息内容场景（NewsFeed）功能。通过对既定算法和规则进行排序后，平台聚合内容，用户可以在单页内流畅高效地消耗内容。平台通过既定的算法和规则对内容进行排序，用户可以在单页面上流畅高效地消耗内容。用户不再需要像移动互动网络史前时代那样频繁地跳转门户网站和博客网站；该平台还通过提供聚合内容显示平台，更有效地将用户留在自己的管辖范围内。信息流的英文是“信息流的英文”Feed"，真是一个用得很好的词。Feed在英语中的意思是“喂养”，生动地描绘了用户在信息流场景中按一定顺序“喂养”内容的场景。用户消费的内容时间有限。如何在有限的时间内将TA最喜欢的消费内容喂给用户，让TA在平台上消费更多的内容(从而给平台带来更高的潜在商业价值)，是所有Feed场景运营商多年来不断研究的“推荐排名”问题。2、信息流的基础：推荐引擎推荐引擎的核心是“如何向合适的用户推荐合适的项目”。因此，建立“项目”与“用户”之间的联系是推荐算法中的核心命题。推荐的整个过程基本上可以概括为“召回”→“排序”→“调权”→对“输出结果”的过程进行简单的比喻，帮助大家理解这个过程。每个人都应该在学生时代参加过军训，军训的最后分列检查是整个军训过程的亮点。那么如何合理安排队列呢？首先，教官会需要“召回”A班的所有学生来操场等待安排。只有A班的学生和其他B班的学生、C班的学生不需要先参加；然后，教练会要求学生按照从高到短的规则“排序”，这样团队看起来就不会参差不齐；此时，虽然学生已经从高到短排列，但一些学生可能需要在军事乐队表演，教官需要“调整”这些学生的权利，排除他们；最后，按照这样的规则安排的团队是A班的团队安排在最后一场演出中。推荐算法是一门深刻的知识，技术性很强。然而，由于本书主要针对读者，作者试图从更明显的层面总结影响信息流排名的主要因素：时间因素。推荐算法是一种深刻的知识和强大的技术。然而，由于本书主要针对读者，作者试图从更明显的层面总结影响信息流排名的主要影响因素：时间因素。时间是一个相对基本的排名影响因素。许多内容产品最初以时间为第一个排名因素，例如，官方账户最初是一个完整的时间排名。然而，随着内容的不断增加，其他因素的命题是如何使用推荐算法来帮助用户找到他们最关心的内容。用户肖像因素。这一因素的假设前提非常直观，“萝卜青菜，各有所爱”。虽然我们常说人不能“标签化”，但只有“标签化”才能更好地理解算法中的一个人。比如你有“互联网从业者”的标签，推荐给你的内容自然会更倾向于互联网行业的信息和新的科技趋势；如果你有“怀孕妈妈”的标签，推荐给你的内容会有更多的育儿信息。兴趣因子。对人的理解也是如此。用户肖像更注重人的“属性”，兴趣更注重人的“爱好”。有些产品直接了解用户的兴趣，让用户在新的时候检查自己的兴趣领域，从而向用户推荐相应的内容；其次，可以使用一些方面的方法，比如“用户在信息中阅读的时间”、“用户点击某种信息的概率”等方式来了解用户的兴趣。正负反馈因素。顾名思义，是用户对平台推荐内容的积极或消极反馈。正面反馈，如“点赞”、“一键三连”行为；负面反馈，如“举报”、“不想再看到”等行为。很多用户也很清楚，在接触新的信息流产品时，会用这种方式“驯化”信息流，“调整”最适合自己的内容。互动因子。可以认为是正负反馈因素的进一步细化。例如，B站的许多UP所有者通常称之为“转发表扬”，希望帮助其内容被算法视为高质量的内容，通过用户的转发、共享、评论、表扬等互动指标获得更高的曝光率。此外，对于推荐算法来说，用户的一些具体行为，如“购买”，也是提高相关物品权利的一个非常重要的信号。社交因子。对于具有社会关系的产品，推荐算法有更多的发挥空间。最独特的优势是微信，它沉淀了中国10多亿用户深厚的社会关系信息。例如，“看一看”的内容排名使用用户的社会关系作为算法推荐。如果我们的朋友“看”的内容越多，我们的“看”排名就会越好。热度因子。时事变化迅速，当前突发新闻事件往往会引起更多人的关注，导致热门时事事件得到更高的推荐排名。随着社会趋势的不断变化，最近流行的影视剧或最新趋势也将使一些商品最近流行起来，从而获得更高的推荐排名。人工操作干预因素。基于推荐算法的排名基本上可以解决大多数效率问题，但对于一些劣质内容，如虚假新闻和粗俗内容，需要手动干预来减少或过滤它们。三、难题:如何冷启动信息Feeds？说到这里，我想和大家分享一下作者之前操作工具产品的经验。我们可能知道大多数工具产品的困境：用户停留时间长，粘度差，导致实现效率和方法有限。市场上有很多竞争产品。如果我们的产品的价值不能迅速从数据指标中得到证明，整个产品将面临被切断的风险。因此，如何提高用户的长度已经成为我们团队中一个非常重要的命题。我们的工具产品具有WiFi连接功能，用户在连接WiFi成功后跳转的登陆页面是一个“连接成功”页面，没有其他承担；但此时用户处于情绪高点，在WiFi场景中流量不敏感，我们认为是否可以通过承担信息Feeds内容为用户提供一些内容消费价值，还创造了商业化实现的场景？但我们是工具产品的团队，以前没有内容操作经验，如何从0到1做信息Feeds？然而，我们是一个工具产品团队。我们以前没有内容操作经验。我们如何从0到1制作信息feeds？在分析了我们团队的现状后，我们决定从以下几个方面快速启动：首先，信息内容来自哪里？我们的一些兄弟产品有现成的信息内容，但具体的推荐算法需要我们自己开发；虽然我们的算法团队没有内容推荐的经验，但在软件分发方面也有类似的经验。聪明的女人没有米饭很难做饭，“米饭”和“聪明的女人”已经有了，但要做“炒饭”或“汤饭”，我们的用户认为最好吃，我们必须尝试得出结论。推荐排序的因素那么多，但是对我们来说，因为工具产品的属性，所以可以用的不多。根据我们的情况，我们决定根据用户肖像进行以下三组A/Btest实验。我们可以获得的用户属性数据包括：用户的软件安装列表数据，可以在一定程度上推测用户的偏好；用户的地理位置数据可以推荐一些当地新闻、附近的景点和其他信息。将这两个方面的用户数据混合，向用户推荐合适的信息内容。基于热量排序。由于我们获得的信息内容没有附加在其他平台上的热数据，热排名在我们的产品中是一个相对滞后的过程。用户需要通过点击行为不断“喂养”算法来学习，从而向更多的用户推荐产品中更受欢迎的内容。基于信息发布时间的排序。对比前两组实验的效果，相当于一个基本的对照组，不会对信息进行太多的算法排序干预。基于三组实验的设置，我们选择了三组随机测试的用户群进行战略交付，并设置了“平均信息消费时间”作为关键评价指标。等待实验效果回收的时间有三天那么长，在这三天里，我们的团队也在打赌哪个策略会表现最好。读者们，你们也来猜猜哪种策略会表现得最好？四、分析:找出问题更深层次的原因，团队内的打赌基本都集中在前两组的策略会更好。认为用户画像更好的同事直截了当，用户会对自己更相关的内容更感兴趣。同事们认为热排名效果会更好也很合理，更多的人点击的内容往往是新鲜的，自然会吸引更多的人阅读。然而，在我们的运营商回收和整理了实验数据后，他们有点惊讶：基于时间排名的最不受欢迎的方案三是“平均信息消费时间”优于前两个方案。有一段时间，团队有点气馁，对算法团队同事的技术能力提出了暗暗的质疑。作为运营商，这个时候需要通过数据分析多走一步:数据指标呈现的都是真相吗？为了分析这个问题，我们首先解决了这个问题。实验数据指标：我们设置的数据指标有问题吗？计算数据指标有问题吗？每个实验方案的数据指标计算是否在同一口径上？实验方案设计：实验组用户的选择是否足够随机？实验策略需要完整的数据？实验策略对其用户组完全有效吗？拆解分析后发现，前两组数据指标不好的现状并非全部真相。首先，我们发现“平均信息消费时间”的指标设置存在一些问题。因为我们的产品属性毕竟是工具产品，大部分用户在连接WiFi后都会用完，信息Feeds注定只会给一些相对闲置的用户一些功能。因此，实验组之间用户的“平均信息消费时间”非常分散，方案三中有一些极端用户提高了整体平均时间数据。为了解决这个问题，我们可以在计算过程中处理极端值，增加“平均信息点击率”的数据指标，更客观地评估各方案之间的效果。其次，通过分析还发现，由于数据采集的原因，方案一和方案二并没有完全实现其战略各自的效果。例如，由于Android权限的限制，许多实验组用户的安装列表数据不完整；对部分用户IP的地理位置识别不够准确。测试发现，北京的本地新闻被推荐给广州的一些用户，这自然会影响策略的效果。例如，在方案2中，由于一些“标题派对”的内容点击率很高，实验组用户的第一个屏幕都是“标题派对”的内容，内容质量很低，用户点击后很快跳出，导致策略的实验效果很差。五、数据操作思维的重要性如果我们没有进一步分析数据指标，只看实验结果，我们可能会直接认为对于我们的用户，“时间排名”是最好的解决方案，未来应该朝着这个方向发展，所谓的模型算法优化是不必要的。然而，只有通过分析，我们才能更清楚地看到事实的全貌，并不断提出迭代优化方案。这反映了问题分解思维的重要性和逻辑问题分析思维的重要性。希望通过这本书，能和读者分享这些思维框架，成为更好的操作。