網(wǎng)站SEO優(yōu)化_淺析內(nèi)容推薦體系如何構(gòu)建天線貓_SEO優(yōu)化SEO推廣SEO服務(wù)天線貓_

針對(duì)引文中的兩個(gè)問題，可以總結(jié)為以下三個(gè)點(diǎn)

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

說到內(nèi)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(nèi)容，這些內(nèi)容是如何產(chǎn)生的。

目前互聯(lián)網(wǎng)內(nèi)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(chǎn)這些內(nèi)容的用戶大體又可分為兩種，一種是專業(yè)從事內(nèi)容生產(chǎn)的PGC用戶，一個(gè)PGC用戶的背后往往由一個(gè)專業(yè)的團(tuán)隊(duì)組成，他們分工明確，撰寫、拍攝、錄制、后期、包括后期的市場(chǎng)宣傳都有專門的人員從事，此類用戶的生產(chǎn)的內(nèi)容質(zhì)量往往比較高。另一種是普通的UGC生產(chǎn)用戶，此類用戶無固定生產(chǎn)內(nèi)容的習(xí)慣，往往是三天打魚兩天曬網(wǎng)，其生產(chǎn)的內(nèi)容質(zhì)量也較低。

根據(jù)平臺(tái)定位不同，其擁有的內(nèi)容資源也不同，生產(chǎn)內(nèi)容的用戶構(gòu)成也不盡相同。根據(jù)上述列出的幾種內(nèi)容類型和生產(chǎn)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(jié)合自身平臺(tái)業(yè)務(wù)線，找出內(nèi)容數(shù)量靠前的幾種組合，也就是我們所擁有的內(nèi)容優(yōu)勢(shì)所在。

當(dāng)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(yōu)質(zhì)內(nèi)容，以及如何進(jìn)行內(nèi)容信息識(shí)別和聚類，對(duì)于優(yōu)質(zhì)內(nèi)容我們要在推薦策略里基于更多展現(xiàn)曝光

關(guān)于優(yōu)質(zhì)內(nèi)容的篩選，主要分為“機(jī)器篩選”和“人工篩選”兩種方式，而實(shí)際操作中，往往是二者的結(jié)合，因?yàn)閱渭儥C(jī)器篩選其客觀性太強(qiáng)，部分優(yōu)質(zhì)內(nèi)容機(jī)器無法識(shí)別（對(duì)于上述四種內(nèi)容信息的載體，其展現(xiàn)形式的表現(xiàn)力：文本圖片=音頻>視頻）而純?nèi)斯ずY選又會(huì)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(duì)于機(jī)器篩選優(yōu)質(zhì)內(nèi)容，在篩選之前要做好充分的數(shù)據(jù)收集及上報(bào)，只有數(shù)據(jù)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(píng)判一首普通歌曲的質(zhì)量好壞”如下圖所示：

除了歌曲本身作為內(nèi)容的形式之外，更是鏈接“內(nèi)容生產(chǎn)者”和“內(nèi)容消費(fèi)者”之間的紐帶，所以數(shù)據(jù)的收集除了歌曲本身的屬性之外（例如：音頻長(zhǎng)度、kpbs、格式、文件大小….等等）之外，也要從生產(chǎn)者的用戶屬性（PGC/UGC，年齡，地域，性別，個(gè)人愛好….等等）、發(fā)布行為（上傳歌曲的時(shí)間、上傳歌曲的頻次….等等）和消費(fèi)者的用戶屬性（性別、年齡、職業(yè)、地域、注冊(cè)時(shí)間….等等）、瀏覽行為（點(diǎn)擊、播放、重復(fù)播放次數(shù)）等多維度評(píng)價(jià)一首歌曲的質(zhì)量。不同app對(duì)于內(nèi)容的質(zhì)量評(píng)估數(shù)據(jù)指標(biāo)不同，需結(jié)合實(shí)際情況具體分析，此處不再一一具體列舉各個(gè)數(shù)據(jù)指標(biāo)。對(duì)于歌曲而言，很終要的幾個(gè)指標(biāo)無非是：曝光點(diǎn)擊比、播放完整度、評(píng)論、分享、收藏率…等等等等等等

此處對(duì)內(nèi)容質(zhì)量的動(dòng)態(tài)評(píng)級(jí)，還可以利用對(duì)生產(chǎn)者評(píng)級(jí)和消費(fèi)者評(píng)級(jí)的方式來判定，各個(gè)等級(jí)之間有著嚴(yán)格的標(biāo)準(zhǔn)劃分（此處不詳述分級(jí)的方法，具體情況具體制定），用戶的評(píng)級(jí)隨自身行為動(dòng)態(tài)調(diào)整（等級(jí)正反饋、負(fù)反饋機(jī)制）。不同等級(jí)的用戶生產(chǎn)和消費(fèi)行為，對(duì)內(nèi)容評(píng)級(jí)的影響不同，越優(yōu)質(zhì)的用戶其行為對(duì)內(nèi)容質(zhì)量的影響越大。

說完內(nèi)容質(zhì)量的評(píng)級(jí)，之后就是對(duì)內(nèi)容的聚類。還拿音樂舉例，音樂本身并無任何分類，對(duì)于一首歌曲而言無非是多個(gè)音符的連續(xù)演奏。我們憑借自己的生活經(jīng)驗(yàn)和認(rèn)知對(duì)歌曲進(jìn)行分門別類：歐美音樂/港臺(tái)音樂/內(nèi)地音樂…、搖滾/流行/藍(lán)調(diào)…、抒情/狂歡/悲傷….、鋼琴曲/小提琴/吉他曲。此處對(duì)內(nèi)容聚類的方法應(yīng)遵循“相互獨(dú)立、完全窮盡”的原則即不同劃分維度之間要相互獨(dú)立，互無交叉，而每個(gè)維度里劃分又要盡可能細(xì)化到很小的顆粒度。

除了內(nèi)容聚類的方法，內(nèi)容的聚類的流程，同樣的，可以采取人工和機(jī)器結(jié)合的方式，其大體流程如下圖所示：

內(nèi)容生產(chǎn)者，在上傳內(nèi)容時(shí)，對(duì)內(nèi)容進(jìn)行分類、設(shè)定內(nèi)容標(biāo)簽。其內(nèi)容進(jìn)入后臺(tái)首先按照用戶上傳時(shí)的分類進(jìn)行篩選，之后由審核人員對(duì)其標(biāo)簽進(jìn)行走查，將無分類的內(nèi)容進(jìn)行分類，同時(shí)對(duì)錯(cuò)誤分類進(jìn)行修正（此時(shí)所有審核人員的操作結(jié)果，系統(tǒng)都應(yīng)該給生產(chǎn)者發(fā)送信息提示其內(nèi)容被修改，優(yōu)化上傳流程）。所有人工審核后的內(nèi)容庫(kù)里的內(nèi)容作為很終對(duì)外分發(fā)的結(jié)果，在前端對(duì)外分發(fā)。

至此，我們已經(jīng)完成了對(duì)優(yōu)質(zhì)內(nèi)容的篩選和對(duì)內(nèi)容的聚類。那誰來消費(fèi)我們的內(nèi)容呢，誰來為我們的內(nèi)容買單，我們的用戶群是誰，他們來自哪？是男是女？年紀(jì)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(gè)話題就是用戶畫像。要建立推薦系統(tǒng)的用戶畫像，我首先會(huì)問自己兩個(gè)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(duì)一個(gè)人描述，那么第一個(gè)問題更像是描述一個(gè)人的外在，第二個(gè)問題更像是描述一個(gè)人的內(nèi)在。外在對(duì)應(yīng)用戶屬性，內(nèi)在則對(duì)應(yīng)用戶行為，行為連接內(nèi)容，從而分析用戶喜好傾向，如下圖所示：

此處數(shù)據(jù)統(tǒng)計(jì)的維度和正確性的重要性不再贅述，左側(cè)是用戶屬性，右側(cè)是相關(guān)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(gè)內(nèi)容上（我們?cè)凇皟?nèi)容篇”已經(jīng)講過如何對(duì)內(nèi)容進(jìn)行分類標(biāo)識(shí)）我們通過看內(nèi)容分類標(biāo)識(shí)，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(shù)這個(gè)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(xué)畢業(yè)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(jià)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(duì)用戶畫像的描述也就越清楚。

在推薦系統(tǒng)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(shù)據(jù)的持續(xù)收集，在判定用戶愛好時(shí)，用戶的短期愛好傾向和長(zhǎng)期愛好傾向需要做策略的融合。持續(xù)對(duì)兩種維度的權(quán)重調(diào)權(quán)，從而得到很優(yōu)解。

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

在推薦系統(tǒng)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(shù)據(jù)的持續(xù)收集，在判定用戶愛好時(shí)，用戶的短期愛好傾向和長(zhǎng)期愛好傾向需要做策略的融合。持續(xù)對(duì)兩種維度的權(quán)重調(diào)權(quán)，從而得到很優(yōu)解。

舉例：我是一個(gè)喜歡搖滾音樂的用戶，不經(jīng)意間聽了幾首純音樂，我們并不能一刀切的認(rèn)為用戶的喜歡傾向由搖滾轉(zhuǎn)為輕音樂，而是應(yīng)該記錄下這種行為，在策略里不斷試探嘗試用戶愛好，持續(xù)推薦不同內(nèi)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(xiàn)在接下來的很后一步就是，我們?nèi)绾伟盐锝桓兜饺说氖种小?

在做推薦之前，我們需要做的一件事就是：數(shù)據(jù)的收集、上報(bào)。不同于上述內(nèi)容質(zhì)量和用戶畫像的數(shù)據(jù)統(tǒng)計(jì)維度，應(yīng)用于推薦的數(shù)據(jù)統(tǒng)計(jì)維度更多，是兩者的超集，除此以外，一些操作系統(tǒng)、app版本、網(wǎng)絡(luò)環(huán)境、用戶操作訪問路徑的分析，漏斗的模型的轉(zhuǎn)化….等等都與推薦行為息息相關(guān)。此處關(guān)于數(shù)據(jù)上報(bào)的維度需要針對(duì)不同平臺(tái)，不同推薦業(yè)務(wù)，不同場(chǎng)景做具體問題具體分析。

關(guān)于一心想求推薦系統(tǒng)算法公式的同學(xué)，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(chǎn)品經(jīng)理的數(shù)學(xué)和算法工程師比起來，基本30分到40分水平….

我把每個(gè)用戶想象成一個(gè)獨(dú)立的點(diǎn)，每個(gè)用戶背后都帶有各種網(wǎng)站seo優(yōu)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(cuò)綜復(fù)雜，由此形成了一個(gè)獨(dú)立的用戶面。同樣的原理，把每條內(nèi)容也想成一個(gè)獨(dú)立的點(diǎn)，每條內(nèi)容背后也都帶有各種各樣的內(nèi)容聚類標(biāo)識(shí)，我們把具有相同類別的內(nèi)容之間建立一條連線，眾多的內(nèi)容間的連線也錯(cuò)綜復(fù)雜，由此形成了一個(gè)獨(dú)立的內(nèi)容面。

有了“用戶面”和“內(nèi)容面”的概念以后，我們的每一個(gè)用戶之間都彼此產(chǎn)生著聯(lián)系，每個(gè)內(nèi)容之間也都彼此產(chǎn)生著聯(lián)系，那如何把我們的“用戶面”和“內(nèi)容面”打通，其實(shí)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(nèi)容面”，每一次用戶行為，都是兩個(gè)面之間一次數(shù)據(jù)的傳輸交流。至此，兩個(gè)面之間互相打通，形成了一個(gè)三維上海網(wǎng)站優(yōu)化公司模型。這個(gè)三維模型建立在數(shù)據(jù)之上，每時(shí)每刻任意兩點(diǎn)之間都在進(jìn)行著數(shù)據(jù)傳輸，因?yàn)楸舜碎g相互聯(lián)系，一個(gè)用戶的行為可能很終影響四面多個(gè)用戶的結(jié)果，類似蝴蝶效應(yīng)。

說完推薦，還有一點(diǎn)不得不提的就是“a/btest”和“關(guān)于a/btest，適中要遵循一個(gè)原則，明確目的，保持變量?jī)?yōu)選。所有的推薦都是持續(xù)的過程，不同的推薦算法需要時(shí)間學(xué)習(xí)矯正，a/btest就是很好的輔助工具和方法，關(guān)于如何構(gòu)建a/btest系統(tǒng)，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(chǎng)擇餡顆世殺稻籌臨面稱即撈躍粘階責(zé)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(shí)鍬咬紫慨廠雁形奮計(jì)長(zhǎng)毅入克刃險(xiǎn)配強(qiáng)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(xiāng)撕眨推側(cè)撤佛慢主蝶獅愉武述40J。網(wǎng)站SEO優(yōu)化_淺析內(nèi)容推薦體系如何構(gòu)建天線貓_SEO優(yōu)化SEO推廣SEO服務(wù)天線貓_。網(wǎng)站設(shè)計(jì)好樂云seo權(quán)威,seo1680短視頻,網(wǎng)站seo診斷分析和優(yōu)化方案,seo軟文的作文