最近读《跃迁》，书里面有个非常有趣的观点，成功人士都会联机学习，即不闭门造车，主动跟行业领域最顶尖的人学习，快速成为高手。小乐帝团队很多人都感叹业务负责人聪明有洞察，殊不知其正是践行了此法，跟行业内和企业内顶尖人士聊获取切入点或洞察点，在信息这块其已经获得了垄断优势，而手下人输入有限，自然差距越来越远，自叹不如。

由于欠缺推荐系统的经验，日常工作一边在造轮子，一边也在学习推荐系统。与行业内交流，能够迅速提升认知，跳过需自己摸索的坑，这也是联机学习的体现。

推荐场景分类

做To C产品喜欢讲场景，因为场景直接决定了是否存在需求，需求有多强烈，投入多大资源。场景实际上是人们现实生活的抽象，推荐系统的场景则是在To C场景下的再抽象。所以从这个角度来讲，推荐系统无论服务于To B行业还是企业内部团队来做，始终是B2B2C的产品。首先需要开辟推荐场景，再根据具体场景构造推荐系统。

《电商产品经理宝典》中将推荐场景分为两类：常规推荐和个性化推荐。这个划分维度其实是讨巧的划分方式，即常规推荐成了包罗万象的储物柜。拿新闻客户端为例，常规推荐主要包含：固定位置、排行榜、相关推荐。

某门户客户端要闻流由编辑来填充，按固定位置又细化为作为头条的顶部轮播图，为了给标签频道引流的频道跳转，为了给视频和社交动态带量的视频和美女动态固定位置，为了周边阅读的详情页相关推荐。这样看来，常规推荐又可以理解为非个性化推荐，因为推荐本身，由编辑人员或内容本身决定，并不随用户不同而不同。

个性化推荐则充分展现出千人千面的特点，每个人在不同场景和时间点看到内容都不同。某门户客户端推荐频道以及非人工编辑的频道，都归为此类。再如小乐帝当初负责的做的频道分类页，也是根据用户画像推荐不同的频道给用户。

推荐召回分类

按C端产品推荐场景分类，需要推荐系统召回的也仅限于常规推荐中的相关推荐和Top推荐以及个性化推荐。

相关推荐计算文章或内容物料相似度即可，小乐帝老东家做新闻相似度简单粗暴，仅通过标题进行相似度计算，带来了相关文章讲一件相同的事而非周边事；Top推荐技术上更易实现，仅通过某个字段全排序截取头部内容即可。

个性化推荐召回最为复杂，在召回阶段需要综合CF（item-CF、user-CF）、相关推荐、Top推荐，再有甚者行业内逐步流行的模型召回。

推荐召回分层

推荐系统本质上是解决信息过载背景下的信息检索的问题，体现在具体业务上就是具体商品或内容分发问题。显然易见，业务人员不关心推荐召回或模型算法有哪些以及如何使用，推荐系统技术人员也不关心业务人员有哪些业务策略或套路。也即业务人员和推荐技术人员天然存在认知上的鸿沟。

推荐系统能够起作用，核心并不在于AI技术运用有多牛逼，而在于如何能将推荐系统很好的封装，为业务人员所用。这里的业务人员既包含运营和产品也包含老板等。

推荐系统至少能够分两层：算法层和业务层。这也是目前电商和内容领域普遍采用的方式。当然目前推荐系统在电商领域也逐步认识到不懂业务和推荐的产品运营人员的干预只能降低推荐效果，正在逐步收回人的权力，辅以更多的智能。

在当前这个时代，人工干预短期仍是少不了的，尤其在行业内推荐技术人员普遍不懂业务的前提下，很难做到大电商算法解决一切的潮流问题。

推荐系统从算法层面更多是底层造轮子。譬如CF（item-CF、user-CF）、Top N、相关推荐都是套路式的玩法，底层轮子造好并封装好之后，在上一层抽象出出业务能力。

举例来讲，小乐帝老东家曾经将旗下短视频内容引入新闻客户端，并在推荐频道中个性化分发，以此提升整个产品的用户粘性。起初由于物料过少，推荐分发的少，效果在结果中不能体现，也就没有然后了。

从现在小乐帝的视角来看此问题，物料少冷启动的问题至少可以从算法层和业务层角度解决：算法层首先可以通过物料在其他平台的热度排序，待有一定展现和点击后，再根据相关推荐，数据积累到一定程度后，再做CF，在模型层面可以引入更多特征，提升推荐效果；业务层面则可以在推荐结果中增加视频权重，保证分发量，在这个基础上再评价是否需要推动扩大物料库。奈何当初整个部门没有懂推荐系统的产品和运营人员，最后也就不了了之，这也是推荐召回一定分为业务层和算法层的原因。

召回分层的本质

小乐帝所做推荐系统服务于互联网各类客户，召回需求也多种多样，例如根据同性角色推荐用户、根据时间推荐、根据是否有封面推荐、根据性别推荐等等。从本质上来讲，客户的需求都有其合理性和实际场景支撑，在推荐系统实现上讲更多是一种预召回。也即在各类算法召回的前一步，通过数据库过滤或排序，实现粗召回，再经过算法召回和AI排序，生成既满足业务需求也能满足一定推荐效果的推荐结果。

召回的分层逻辑，在大数据中也普遍使用，mapreduce即通过map和reduce两个过程，将海量任务分解，高效处理。在日常工作学习中，也值得借鉴。

「产品经理读书会」

专注于爱读书爱思考的产品人提供读书推荐、产品思考、以书会友的环境

欢迎爱读书的产品人分享产品道路上的感悟

投稿邮箱：booksforpm@126.com