产品视角看推荐算法

对于一个产品而言，推荐算法不是万能药。在红利期智能推荐算法可以作为产品的噱头，但当先发优势已经不复存在的时候，比如当下，几乎每一个做内容的产品，背后多多少少都有算法。在这个基础上，推荐对产品本身的提升是有限的。有限是说，确实有明显的提升，但不是那种没有就活不下去，或者有了就比其他产品NB很多的那种提升。我们使用微博，是因为他的饭圈和快速实时的新闻；使用B站，是因为它的内容优秀和社区文化；使用微信，是因为社交关系。这些产品最主打的核心竞争力都不是算法。



相应地，机器学习也不是万能药。机器学习只适合用来解决和优化目标明确的事情。当业务目标本身都不太能够用简练的语言描述清楚的时候，这意味着目标本身是不太好定义的，这类目标用机器学习都是不太容易搞定的。比如我们要鼓励原创生态，这个目标用机器学习就不容易搞定；需要把这个目标具体细化到某一个领域，定好标准，标好样本，机器学习才能发挥作用。



对于产品而言，还是需要打磨产品自身。从用户的角度，更加用户友好的界面，主要是UI和产品逻辑，产品自身的定位以及由此引导的社区氛围的构建等等；从作者的角度，更加好用的编辑器，更快更有效的作者反馈处理等等。



当然，推荐算法作为内容输出的模块，与产品本身的关系也是密切的。



一般而言，对于一个以内容为主的应用，推荐系统可以干什么事情呢？我个人总结了以下几点：



更有效率的内容分发

拆成用户角度和作者角度两个方面来说



用户角度

推荐系统可以帮助用户找到自己喜欢的内容。用户不需要复杂的操作就可以找到自己想要的内容，这也是推荐系产品最为迷人的地方。互联网信息从黄页，到搜索引擎，到推荐的趋势，本质是用户主动行为的减少。相比于搜索，用户需要在搜索框内输入一个文字来表明兴趣，现在用户只需要通过大拇指的刷和点，就可以匹配到自己的兴趣，这一点实在是太NB了。



当推荐系统的候选集足够大的时候，用户可以在他自己感兴趣的领域浏览足够多的内容，获得足够多的快感，因为每一个都是他可能会喜欢的内容。



减少了用户多浏览信息的成本，变相也就提高了用户的停留时长。实际上这也是为什么推荐系的产品都有“kill time”的美誉。



作者角度

从作者的角度出发，推荐系统的作用就是帮助作者更高效的触达潜在的受众。



以前作者生产出来的内容，需要专门的宣发机构，比如报纸杂志去承载；以博客为代表的那一代内容生产商，实际上是借助搜索引擎的力量，实现了内容直接生产，而不需要投稿到某一个专门的宣发机构，导致了媒体行业的下滑；而以微信公众号为代表的移动端订阅制，绕过的搜索引擎，实际上是更加方便了内容的触达，他干掉的是博客时代的邮箱订阅系统，同时也把内容生产普及到了更多的受众上。但是订阅制有个问题是，成为大V的阶梯有点过于陡峭了：野蛮生长时代的作者们成长速度可能很快。但还有很多晚入场的内容生产者，他们如果想要成为大V，可能需要花费更多的时间。



在推荐系统场景下这一切有什么变化呢？对于作者来说，名义上，推荐系统可以帮助他们触达他们更多的潜在受众。但其实作者关心的只有一个数值，就是量。



推荐系统的好处是，可以帮助那些低粉但优质的内容生产者，可以快速的有量，这样可以快速孵化一批优质的原创作者；相当于对作者传达了，在推荐系统的场景下，你和大V是平等的：只要你生产的是好内容，那你就有起量的可能。此外，越来越多的用户的时间被推荐系统的产品挤占，产品提供给作者的想象空间都是作者希望看到的。



但潜在的风险是，对于大V来说，流量不是那么的稳定。流量稳定直接决定了大V们的收入：比如作者接了商单单发视频，可能就会因为推荐系统的反馈，使得流量显著低于他的正常的视频。大V们可能会觉得，自己辛苦半天，培养了很多粉丝，如果没有理想的商业变现，啥也不是。所以对于大V来说，他们可能会更偏好订阅为主要分发场景的场景，比如B站。



内容生态的控制

什么东西不能推

一个理想的推荐算法模型，拟合的其实是人性。但用户喜欢点的，往往是一些色情低俗的，猎奇的内容，此外用户还会有越是不让看的东西越想看的逆反心理，平台如果纵容这些不管，早晚会违法乱纪。这些东西理论上不是内容分发侧的推荐算法可以解决的，而需要专门的人来解决。这就是审核。



因为审核的case千奇百怪层出不穷，历史的badcase可能会在新时代焕发出新生命，以一个新的姿态呈现在你的面前，这意味着模型很难通过历史数据的学习干掉所有的badcase。所以审核需要人工审核。审核模型在其中可以起到节省人力的作用——拿不准的东西再交给人审。



什么东西多推，什么东西少推

作为一个内容分发模块，推荐是有这样的决定权的。要达到这个效果，除了基础的模型要做对的情况下，还要科学的做这件事。在推荐算法的同学眼中，唯一可以依赖的，只有用户的行为。推荐系统控制画风的策略是：要在拟合准确用户行为的基础上，通过用户行为目标的权重的控制，达到多推某些内容而少推某些内容。



当然从产品和运营的角度来说，科学的东西不一定是产品和运营所期望的。一是因为科学的拟合人性可能会因为前面提到的，人性天生喜欢猎奇或者低俗的东西而带偏；二是内容分发作为产品和用户交互的重要部分，是需要承载烙印产品在用户心目中的产品形象这个任务的。比方说，如果内容只推用户喜欢的影视拆条，无论UI做的多目高大上，那么在用户心目中，这个产品就是用来看影视拆条的，如果用户喜欢看新的，有趣的视频就不会来这里了。此外，对于大多数作者而言，采取的创作战略都是有样学样。如果平台上大部分都是搬运，那新作者入场的时候，大概率也是会以搬运入场。久而久之，产品自身的内容生态就被确定了，在用户心目中的定位也就已经确定了。



所以我们需要给产品和运营一些流量分配的权利。但这其中也有trade-off。因为不干预的纯模型结构，理论上是指标最好看的；干预了就有效果的损失。所以就存在我们要用多少的效果指标损失来做干预这件事儿。这里的决断一般靠两点: 一是看目标人群上的指标变化，可能全局掉了但目标人群涨了，这个可能还比较符合产品预期；二就是信仰方法论了。



多说一句，内容的社会责任

当产品体量较小的时候，我们可能会比较care指标和产品调性。当产品dau和时长不断增长，已经变成日常百姓生活中不可缺少的部分的时候，是需要承担一部分社会责任的。推荐作为内容的出口，需要考虑正能量、对人更有用、能够产生更多正面影响的内容，而减少分发一些负面情绪、或者不良内容的传播，让整个社会的参与者的幸福提高。



这是企业的社会责任。能力越强，责任越大。