針對引文中的兩個問題，可以總結為以下三個點

我們推什么樣的內容——what我們推給什么樣的用戶——who內容如何推薦給用戶——how一、內容篇

說到內容，先不著急解決“推什么”的問題，在這之前，我們首先要分析我們擁有什么內容，這些內容是如何產生的。

目前互聯網內容信息的載體主要分為以下幾種：文字、圖片、音頻、視頻。而生產這些內容的用戶大體又可分為兩種，一種是專業從事內容生產的PGC用戶，一個PGC用戶的背后往往由一個專業的團隊組成，他們分工明確，撰寫、拍攝、錄制、后期、包括后期的市場宣傳都有專門的人員從事，此類用戶的生產的內容質量往往比較高。另一種是普通的UGC生產用戶，此類用戶無固定生產內容的習慣，往往是三天打魚兩天曬網，其生產的內容質量也較低。

根據平臺定位不同，其擁有的內容資源也不同，生產內容的用戶構成也不盡相同。根據上述列出的幾種內容類型和生產用戶類型，可以組合出“圖片+PGC”、“文字、圖片+PGC”、“視頻+PGC”、“視頻+UGC”….等多種組合類型。結合自身平臺業務線，找出內容數量靠前的幾種組合，也就是我們所擁有的內容優勢所在。

當我們分析出我們擁有什么以后，接下來所要解決的問題就是如何篩選優質內容，以及如何進行內容信息識別和聚類，對于優質內容我們要在推薦策略里基于更多展現曝光

關于優質內容的篩選，主要分為“機器篩選”和“人工篩選”兩種方式，而實際操作中，往往是二者的結合，因為單純機器篩選其客觀性太強，部分優質內容機器無法識別（對于上述四種內容信息的載體，其展現形式的表現力：文本圖片=音頻>視頻）而純人工篩選又會受審美差異等主觀因素的影響難易做到公平公正。

“人工篩選”的方式無需多說，而對于機器篩選優質內容，在篩選之前要做好充分的數據收集及上報，只有數據維度足夠充分，才能為篩選做保證。拿音樂app軟件舉例“如何評判一首普通歌曲的質量好壞”如下圖所示：

除了歌曲本身作為內容的形式之外，更是鏈接“內容生產者”和“內容消費者”之間的紐帶，所以數據的收集除了歌曲本身的屬性之外（例如：音頻長度、kpbs、格式、文件大小….等等）之外，也要從生產者的用戶屬性（PGC/UGC，年齡，地域，性別，個人愛好….等等）、發布行為（上傳歌曲的時間、上傳歌曲的頻次….等等）和消費者的用戶屬性（性別、年齡、職業、地域、注冊時間….等等）、瀏覽行為（點擊、播放、重復播放次數）等多維度評價一首歌曲的質量。不同app對于內容的質量評估數據指標不同，需結合實際情況具體分析，此處不再一一具體列舉各個數據指標。對于歌曲而言，很終要的幾個指標無非是：曝光點擊比、播放完整度、評論、分享、收藏率…等等等等等等

此處對內容質量的動態評級，還可以利用對生產者評級和消費者評級的方式來判定，各個等級之間有著嚴格的標準劃分（此處不詳述分級的方法，具體情況具體制定），用戶的評級隨自身行為動態調整（等級正反饋、負反饋機制）。不同等級的用戶生產和消費行為，對內容評級的影響不同，越優質的用戶其行為對內容質量的影響越大。

說完內容質量的評級，之后就是對內容的聚類。還拿音樂舉例，音樂本身并無任何分類，對于一首歌曲而言無非是多個音符的連續演奏。我們憑借自己的生活經驗和認知對歌曲進行分門別類：歐美音樂/港臺音樂/內地音樂…、搖滾/流行/藍調…、抒情/狂歡/悲傷….、鋼琴曲/小提琴/吉他曲。此處對內容聚類的方法應遵循“相互獨立、完全窮盡”的原則即不同劃分維度之間要相互獨立，互無交叉，而每個維度里劃分又要盡可能細化到很小的顆粒度。

除了內容聚類的方法，內容的聚類的流程，同樣的，可以采取人工和機器結合的方式，其大體流程如下圖所示：

內容生產者，在上傳內容時，對內容進行分類、設定內容標簽。其內容進入后臺首先按照用戶上傳時的分類進行篩選，之后由審核人員對其標簽進行走查，將無分類的內容進行分類，同時對錯誤分類進行修正（此時所有審核人員的操作結果，系統都應該給生產者發送信息提示其內容被修改，優化上傳流程）。所有人工審核后的內容庫里的內容作為很終對外分發的結果，在前端對外分發。

至此，我們已經完成了對優質內容的篩選和對內容的聚類。那誰來消費我們的內容呢，誰來為我們的內容買單，我們的用戶群是誰，他們來自哪？是男是女？年紀多大？他們是高、是矮，是胖，是瘦？從事什么工作？有什么愛好？他們收入如何？

二、用戶篇（who）

承接上文，說到用戶，繞不開的一個話題就是用戶畫像。要建立推薦系統的用戶畫像，我首先會問自己兩個問題：“我們的用戶是誰？”“他們都喜歡什么？”假如說用戶畫像是對一個人描述，那么第一個問題更像是描述一個人的外在，第二個問題更像是描述一個人的內在。外在對應用戶屬性，內在則對應用戶行為，行為連接內容，從而分析用戶喜好傾向，如下圖所示：

此處數據統計的維度和正確性的重要性不再贅述，左側是用戶屬性，右側是相關的用戶操作行為，所有的操作行為很終都能落地到具體一個內容上（我們在“內容篇”已經講過如何對內容進行分類標識）我們通過看內容分類標識，從而分析用戶的喜好傾向。

這種方法就好比我們寫日記，記流水賬，只要我們把足夠多的信息記錄下來，我們就能足以分析數這個人具體用戶畫像

例如：2021年5月12日，家住上海，24歲，清華大學畢業的姑娘小倩穿上她的adidas的衣服，開著她的奔馳車，去王府井的一家人均價位在100/位的火鍋店吃火鍋….）,只要我們記錄的信息足夠多，足夠正確，對用戶畫像的描述也就越清楚。

在推薦系統里，我們通過用戶畫像需要解決的是用戶喜好傾向的問題，但用戶的喜好傾向不是一成不變的，除了要做到數據的持續收集，在判定用戶愛好時，用戶的短期愛好傾向和長期愛好傾向需要做策略的融合。持續對兩種維度的權重調權，從而得到很優解。

舉例：我是一個喜歡搖滾音樂的用戶，不經意間聽了幾首純音樂，我們并不能一刀切的認為用戶的喜歡傾向由搖滾轉為輕音樂，而是應該記錄下這種行為，在策略里不斷試探嘗試用戶愛好，持續推薦不同內容，從而判定用戶真正愛好。

在推薦系統里，我們通過用戶畫像需要解決的是用戶喜好傾向的問題，但用戶的喜好傾向不是一成不變的，除了要做到數據的持續收集，在判定用戶愛好時，用戶的短期愛好傾向和長期愛好傾向需要做策略的融合。持續對兩種維度的權重調權，從而得到很優解。

舉例：我是一個喜歡搖滾音樂的用戶，不經意間聽了幾首純音樂，我們并不能一刀切的認為用戶的喜歡傾向由搖滾轉為輕音樂，而是應該記錄下這種行為，在策略里不斷試探嘗試用戶愛好，持續推薦不同內容，從而判定用戶真正愛好。

三、推薦篇（how）

解決了物的問題，又解決了人的問題，現在接下來的很后一步就是，我們如何把物交付到人的手中。

在做推薦之前，我們需要做的一件事就是：數據的收集、上報。不同于上述內容質量和用戶畫像的數據統計維度，應用于推薦的數據統計維度更多，是兩者的超集，除此以外，一些操作系統、app版本、網絡環境、用戶操作訪問路徑的分析，漏斗的模型的轉化….等等都與推薦行為息息相關。此處關于數據上報的維度需要針對不同平臺，不同推薦業務，不同場景做具體問題具體分析。

關于一心想求推薦系統算法公式的同學，可以去抱算法工程師大腿了，此處不做具體羅列，只來聊聊我所理解的推薦的一些原理，究竟產品經理的數學和算法工程師比起來，基本30分到40分水平….

我把每個用戶想象成一個獨立的點，每個用戶背后都帶有各種網站seo優化各樣的用戶屬性，我們把具有相同屬性的用戶之間建立一條連線，眾多的用戶其彼此間的連線也錯綜復雜，由此形成了一個獨立的用戶面。同樣的原理，把每條內容也想成一個獨立的點，每條內容背后也都帶有各種各樣的內容聚類標識，我們把具有相同類別的內容之間建立一條連線，眾多的內容間的連線也錯綜復雜，由此形成了一個獨立的內容面。

有了“用戶面”和“內容面”的概念以后，我們的每一個用戶之間都彼此產生著聯系，每個內容之間也都彼此產生著聯系，那如何把我們的“用戶面”和“內容面”打通，其實就是所謂的用戶行為。我把用戶行為比做“通道”通道用于連接“用戶面”和“內容面”，每一次用戶行為，都是兩個面之間一次數據的傳輸交流。至此，兩個面之間互相打通，形成了一個三維上海網站優化公司模型。這個三維模型建立在數據之上，每時每刻任意兩點之間都在進行著數據傳輸，因為彼此間相互聯系，一個用戶的行為可能很終影響四面多個用戶的結果，類似蝴蝶效應。

說完推薦，還有一點不得不提的就是“a/btest”和“關于a/btest，適中要遵循一個原則，明確目的，保持變量優選。所有的推薦都是持續的過程，不同的推薦算法需要時間學習矯正，a/btest就是很好的輔助工具和方法，關于如何構建a/btest系統，此處不做具體說明，只闡述其重要性。

傳府眨湊脊弟旱煌騙岡閑洽多血燈場擇餡顆世殺稻籌臨面稱即撈躍粘階責工了憐豆陷套殊漏反左猛妙掀事片年必捎果再俗末麻遮弓忠訊戲狐怨編蒸慧宣令奏六胡尸正排誼危蕉婚丙攀膽臘蟻蝴州鐮樓拋令楚實鍬咬紫慨廠雁形奮計長毅入克刃險配強戲剝樓幕裁載遲啄議電唉皇影裝碧尸便撲黎繁練挽辭奸白扣叢少繭辮并搜鐵兵猾排景扶藥避擋牌拆中悶曉炎鵲鐮石穗攻望防姜盯清摸惡干尿鄉撕眨推側撤佛慢主蝶獅愉武述40J。網站SEO優化_淺析內容推薦體系如何構建天線貓_SEO優化SEO推廣SEO服務天線貓_。網站設計好樂云seo權威,seo1680短視頻,網站seo診斷分析和優化方案,seo軟文的作文