用相亲的方法来思考新用户内容推荐策略

从字面上看，新用户是全新用户，就产品而言，就像一张白纸。围绕新用户所做的一切，称为冷启动。在实际工作中，我深深地感觉到，新用户的冷启动与男女相亲是一样的。他们尽最大努力给对方（用户）留下好印象。今天，他们将与我们的用户进行相亲，目标是留住他（她）。相亲三步：了解对方（用户）-了解自己和敌人如何满足对方（用户）的需求-如何满足对方（用户）的需求-使用正确的方法1。了解对方（用户）-了解自己和敌人。当我们知道我们想与人相亲时，我们需要在早期阶段用一切方法询问对方的信息。我们可能一无所获，也可能有所收获，如外表、教育背景、工作、家庭状况等。新用户的运营也是如此。在早期阶段，我们需要使用一切手段来了解用户。实践证明，认识他们并不容易。1.完全不知道，无法获得用户认知0的用户信息产品，系统推荐没有信息可供参考，此时需要做好充分准备，仔细测试，避免触及雷区。或者用一般的方法论把大家可能喜欢的东西放进去。2.粗粒度理解，获取部分用户信息(1)使用GPS和IP获取用户定位信息，了解用户地理位置；获取用户手机安装APPlist信息，猜测兴趣倾向。优点：可信度高，可用性高。缺点:需要人工梳理整合，操作成本高，如定义APPlist人群和兴趣映射标准。(2)利用产品卡主动收集1)设置兴趣开屏(年龄 性别 兴趣类别)卡，收集用户主动选择的信息。优点:用户主动选择，可用性高，缺点:用户主动选择比例低，覆盖面低；用户选择的可信度需要评估；(3)利用渠道来源猜测获取用户来源渠道:根据不同预装型号用户的粗粒度肖像，对新用户进行人工建模。如小米用户偏下沉，中老年，oppo用户偏年轻女性，华为用户偏中高端。用户增长：根据不同的材料，人工定义拉新用户模糊肖像。如果投放“广场舞”材料，新用户可能更喜欢中老年女性；投放“相声”材料，新用户可能更喜欢中老年男性。优点：用户群体认知清晰，实用性强。缺点：一旦用户认知偏差，可能会产生不可逆转的后果。3.当用户进入产品并有相应的行为反馈时，系统机器可以快速捕获和使用这些信息，如点击行为、订阅行为、搜索行为、评论行为、转发行为、收集行为等。优点：用户行为的真实反馈，直接反映用户心理，可用性高。缺点：双刃剑，如果应用不当，可能会适得其反。第二，如何满足对方(用户)的需求——投其所好。当我们了解对方(用户)时，我们应该考虑如何投其所好，给她什么礼物可以让她开心。所以对于新用户来说，需要根据产品本身定位调性，提供能让用户感到快乐的东西，统称为内容。1.不同的产品形式，内容的供应和展示形式也会不同(1)信息流信息产品的单图和三图 大图、单图视频(短视频) 小视频)是主流内容形式，也是用户消费的主流内容。对于不同的用户，对两种内容形式的偏好可能会有所不同，比如下沉用户对短视频消费的需求更高。代表性产品：今日头条、腾讯新闻、一点信息等。（2）社区产品的短内容是主流内容形式，包括图形和视频，辅以评论补充，以满足用户对内容的消费需求。代表性产品：最右、皮皮虾、小红书等。2.在不同的产品形式下，内容整合(1)利用主题、主题等产品形式整合包装高质量的内容，最大限度地发挥用户一次点击的价值。代表性产品:最右、即时等。(2)利用不同维度的列表聚合高质量内容，提高高质量内容的曝光率和新用户的保留率。代表性产品:比利比利等。3.如何满足对方(用户)的需求——当我们收集到符合他(用户)兴趣需求的礼物(内容)时，我们需要如何将其发送给对方(用户)，这是一个值得深入研究的问题。在日常工作实践中，“内容池”被广泛使用。它是连接用户和内容的无形介质。它就像一座桥，让合适的内容遇到合适的用户。对于不同场景的新用户冷启动，内容池的实际策略应用是不同的。1.对于完全不知道的新用户思考点:系统机器没有任何信息可用，所以重点应该放在内容本身。每个人都喜欢看什么样的内容？从广义上讲，它通常被称为头部内容和普遍内容，如社会热点、娱乐八卦、搞笑幽默、休闲娱乐、历史文化、情感正能量等。在细粒度方面，它可能更受欢迎和高质量的产品，如区分标题、封面图、内容调性、丰富性、完整性、可读性等维度，放弃标题派对和低质量的内容，拥抱好的标题、丰富的内容和高质量的可读性内容。再深入思考，内容消费也是满足人性底层需求的过程。只有通过现象看本质，把握人性底层需求，才能真正满足需求。让我们举两个例子：因此，我们可以重复推断，大致可以将人性的底层需求分为七种：盈利心理懒惰虚荣共情需要社会货币安全，我们可以根据人性的底层需求，结合内容本身的质量标准，挖掘高质量的内容，满足用户内容的消费需求。(这篇文章不详细，后续想单独写这篇文章，欢迎大家一起交流)实际应用案例1:我们在冷启动项目中尝试过，只是从一般的精品内容入手，挖掘用户不厌其烦的内容。用内容池聚合，用算法机按照一定的策略规则向用户推荐。我们采用保底池的方式，新用户前10刷生效，一刷2-3个内容，图片和视频按2:推荐1的比例（因为feed流程图形和视频有固定的坑位比）。从数据效果的角度来看，人均点击等过程指标较好，用户会点击这部分内容，但第二天保留等结果指标较差。可能有几个原因：1）实验策略设计：不排除其他干扰因素，在纯环境下进行实验测试，feed流中推荐约10个内容，实验覆盖只有2-3个，其余6-7个被广告和其他渠道召回。结果是用户点击实验内容池推荐内容，但其他渠道召回推荐内容质量低，引起用户反感，整体用户体验差。2)内容选材:孤立看待数据和内容质量，对内容消费的深入需求研究不足。内容挖掘的整体思路和上面一模一样。从人工经验的角度挖掘高质量的内容。从实际操作过程来看，每个人在寻找内容时都很容易陷入思维局限的怪圈。我们找到内容的想法是正确的，但在实践过程中，我们只是依靠编辑经验，过于关注数据，过于关注文章的质量，孤立地看待两者，没有更深层次的思考什么内容可以更好地满足底层人性的需求。点击率和其他数据的好内容是机器分发的后验数据，但它只抓住了人性的一些弱点，如性别心理（推荐粗俗、色情内容）。我们需要跳出机器推荐的局限性，更全面地看待人性的需求。例如，人性的同理心需求是体验他人生活中的感受，因此有很多内容可以满足这些需求，如鼓舞人心的角色、反击内容、正能量内容等。在内容爆炸的互联网时代，如何把握人性的需求，为其提供高质量的内容，是决胜之王。在内容爆炸的互联网时代，如何抓住人性的需求，为其提供高质量的内容是赢家。实际应用案例2：兴趣测试兴趣测试，顾名思义，是为用户推荐不同类别的测试内容，这是一种更常见的冷启动内容推荐策略。兴趣测试实验，我们使用保底池 兴趣测试池可分为出生、激活、正常和死亡四种状态。出生：激活内容池的初始状态：当推荐不同用户和类别的内容时，内容池进入激活状态并不断输出内容。正常：当用户对测试内容有行为反馈（点击、评论、共享等）时，内容池开始进入正常状态，进一步扩大测试类别。死亡：随着测试的深入和机器推荐的及时反馈，用户反馈越来越积极，进入积极循环，内容池开始进入死亡状态，逐渐进入机器个性化推荐序列。这里需要注意的是，从激活到正常阶段，我们采用激进策略，当用户点击测试类别内容时，算法机及时点击反馈，反馈内容权重高，导致用户兴趣逐渐单一，不能刷其他类别测试内容，也导致实验结果达不到预期。当时我们研究了今日头条的试探机制，总结如下:试探机制可以拆分理解:现有试探类A、B、C、D等头部类别，1、2、3、4等垂类。头部类和垂直类的内容覆盖粒度由粗到细，以确保内容的丰富性。用户第一刷:头部内容占50%、垂直类内容占50%(具体比例可根据实际效果灵活调整)，各类头部内容先出。随着刷新的深入，将有两种用户行为：1）如果用户有行为反馈，请及时进行点击反馈，并继续测试未推荐的类别内容和推荐但用户未点击的类别内容。测试未推荐的类别内容，确保每次刷占30%-40%左右(具体比例可根据实际效果灵活调整)，推荐内容的粒度可逐渐由粗到细，测试用户的兴趣极限。建议不要点击类别内容，如果用户连续刷2-3次没有行为反馈，则需要减轻推荐权重，甚至停止推荐。2)如果用户没有行为反馈，用户刷2-3刷可能会离开(根据对新用户的研究，用户平均只会给2-3刷的机会)，所以在前2-3刷测试类别比例，选择每个类别的内容是非常重要的。2.手动处理获得的用户信息，并将其转换为可用的信息，如获得的APPlist、用户成长材料转化为人群信息，然后研究人群内容偏好，可以通过市场研究报告、平台现有用户肖像信息，然后聚合目标内容、战略实验、效果回归，一般实验过程如下：实际应用案例：用户使用相声材料更新，根据上述一般实验过程可以拆卸：信息处理和转换：喜欢看相声素描人群更喜欢中老年男性内容偏好研究：1）研究方法-使用平台现有肖像 梳理总结市场上的人群研究报告。肖像侧可以从规模、关键词、内容来源、实体等维度进入研究报告，可以从具体信息点总结2）研究结果：中老年男性内容偏好、军事历史、健康、花草、农村生活、社会积极能量、社会热点、情感婚姻等。目标内容聚合：1）内容池通过各类高质量内容源和频道召回。2）内容池分为人群内容池A-聚合喜欢相声的人可能喜欢看的内容；相声强相关内容池B-聚合高质量相声视频内容。目标内容聚合：1）内容池通过各类高质量内容源和频道召回内容2）内容池分为人群内容池A-聚合喜欢相声的人可能喜欢看到的内容；相声强相关内容池B-聚合高质量相声视频内容。建设两个内容池的需求：1）相声强相关内容池用于满足用户对相声视频内容消费的需求。通过相声材料吸引新用户对相声有很强的需求。2)在满足用户对相声的强烈需求后，使用人群内容池进一步满足其他内容的需求。3)实际策略中有两个内容池，A B组合推荐，协同满足用户内容消费需求。在线战略实验：为A B两个内容池设置推荐位置，有效刷数等，如相声强相关内容池B推荐位置为2、4、6、8.人群内容池A的推荐位置为5、7、9、10。数据效果回归:1)整体数据性能:重点关注实际覆盖用户数量、人均点击、人均停留、渗透率、次日、2日、3日等策略。2)内容池性能数据:重点关注内容池的实际曝光、点击、停留时间等。通过整个过程，根据数据效果灵活调整内容池内容，调整在线推荐策略，提高新用户的保留率。最后，借用我们领导说的话，结束这篇文章，新用户是一个粉丝，很难理解它，只是不断探索和总结，在实践中寻求方法论的真理。我们和人相亲也是如此。要真正理解一个人也很困难。我们必须相处很长时间，不断探索和总结，才能收获真诚。愿每个人都能找到真爱！愿所有产品的新用户都能保持稳定！