当头条做起了微头条，当微博将热门序排在了自己的首页，机器推荐和关系分发向彼此逐步融合，问题便由此产生了：
不是号称机器推荐最优么？那机器推荐为什么还需要关注？
既定目标下，机器推荐一定能拟合最优解。但这个拟合过程，既有前提，也有助力。
机器推荐的前提是，产品经理能够很好的定义问题(场景)、边界和规则。
比如，如果追求只点击率，不出意外出现的是标题党、三俗的内容；追加阅读体验指标，标题党类名不副实的内容将会受到重大的打击；追加长期留存指标和作者维度指标，三俗内容也会受到很大的打击。
机器推荐的助力是，产品经理能够很好将用户的显式、隐式行为量化，作为数据补充。
比如，在观看视频过程中，用户的拖动、关闭、观看进度、全屏、音量调节or亮度调节等，都可以作为用户对视频内容的观看反馈数据，反哺给机器推荐。
关注之于推荐，即是场景，又是助力。
场景的部分
内容推荐是一个预期不稳定的场景，用户持续的刷新、阅读内容，其内容可能是娱乐、体育、社会新闻、财经报道等等，不一而足。
关注频道给了用户一个稳定预期消费的场景。用户知道这里的内容是产自一个限定候选集合的（微博的订阅号列表），甚至会主动找寻特定发布者的内容（微信的订阅号列表）。
有效的关注，依赖于用户的自知自觉，即明确关注是怎么一回事，知道关注后去哪里消费，关注频道会变成什么样。
但实操当中，我们发现有大量用户对于关注无认知或无感，导致关注频道内容参差不齐。作者端也会出于利益因素，用各种运营手段引导关注。最终导致部分用户的关注频道不具有稳定的内容消费价值或者互动价值，这些用户的关注频道留存和全App留存变差。
为了让关注频道的体验不至于太差，就需要引入机器推荐做子场景的优化处理（如微博的智能排序），对信息进行降噪。
助力的部分
为了优化机器推荐效果，我们需要更多无偏的信息输入 ，所以无论从产品设计层还是数据清洗层，都希望能够采集到用户尽可能多的行为。在这个层面，关注和阅读、点赞一样，只是表意性更强。它代表了用户对某个品牌的足够认知。在这种品牌认知之下，用户可能会放松对内容表现形式和内容消费价值的要求。因此，一篇内容对于关注用户提升权重是一个直观的想法。
关注动作给我们提供了更多了解用户偏好的可能。比如，关注火影和海贼王的用户往往有很大重合，机器能够通过关注动作的重叠程度挖掘出民工漫的受众。
关注动作也能够用来衡量作者，粉丝的多寡、粉丝阅读率的高低都是作者的量化指标，一个垂直的能够持续取悦粉丝群体的作者，才是系统内价值更高的作者。一个传闻中的应用场景是：微博对于某条内容的推荐会先尝试10%的粉丝，如果粉丝点击率高的话再继续扩散，否则停止内容的继续推荐。
不考虑关注频道，仅从无目的信息消费的角度来看，机器推荐是包含关注关系的。
一方面，关注构成了召回策略和Boost规则，当关注的Boost系数权重设定为无限大时，机器推荐就等于关注分发。另一个角度来看，当一个用户订阅了平台所能够提供的所有内容源的时候，关注分发就等于机器推荐。
