對一款內容產品來說，由于內容數量龐雜、內容質量參差不齊，為了給用戶帶來良好的內容消費體驗，推薦機制成了篩選/推薦優(yōu)質內容的不二之選。而本文也以短視頻模塊的推薦機制為例，幫助大家了解推薦機制的要點。

我從事內容產品有兩三年了，從最初接觸的長視頻到現在風靡的短視頻，從最初的各類推薦位設計到現在的大屏內容推薦流設計，在此過程中積累了很多的經驗，但卻沒有停下腳步來思考和總結。趁著疫情，我開始回想整個推薦方案，突然想總結一下，于是就有了如下——我的推薦四步曲。

我現在做的產品是內容型客戶端（具體名字不便于透露，望諒解）。從產品核心功能設定到前后端詳細功能設計，到項目跟蹤，到發(fā)布上線，到運營培訓，再到用戶數據跟蹤和產品維護都是我參與和推動的。

推薦功能只是作為整個產品的一部分，今天要說的是短視頻模塊的推薦機制。

短視頻推薦機制經歷了如下四步曲：

1. 發(fā)布時間排序推薦；
2. 根據用戶喜好推薦；
3. 增加運營干擾；
4. 增加平臺內容過濾機制。

下面，我按照順序跟大家分步講講。

第一步：發(fā)布時間排序

在現在這個信息技術高速增長的社會，只要提到推薦，首先想到的是智能學習，但是我們首先選擇的是發(fā)布時間排序，原因下面會說到。

1. 項目背景

1. 缺少內容沉淀：我們主要采用公司專有人員創(chuàng)作，所以在內容數量上會有一定的缺陷。另外目標用戶對內容的接受程度待考量，創(chuàng)作人員需要快速試錯。創(chuàng)作人員需要根據的用戶反饋，快速調整創(chuàng)作方案，再迅速投到產品中等待再次反饋，所以最新的內容，從用戶角度來講是更愿意看到的，從創(chuàng)作者來講，也是最愿意讓用戶看到的。
2. 沒有用戶數據：新產品，沒有存量的用戶行為數據做參考，如果立即使用智能推薦，對推薦結果好壞判斷未知。
3. 快速上線：產品需要一個月時間完成研發(fā)和上線工作。當時的人員配置是：1個安卓、1個ios、3個后臺，在資源和時間上來看，難以完成數據量極大的推薦機制。

2. 方式機制

最終選擇的是按照內容發(fā)布時間倒序為主、點贊量、評論量、轉發(fā)量和收藏量為輔的排序方式。

1. 發(fā)布時間倒序：按照內容發(fā)布時間新舊排序，新發(fā)布的內容用戶先看到；
2. 點贊量、評論量、轉發(fā)量和收藏量為輔：如果存在發(fā)布時間相同的內容，先按照用戶點贊量遞減排序；點贊量相同，按照評論量遞減；評論量相同按照轉發(fā)量遞減；轉發(fā)量相同按照收藏量遞減。如果收藏量相同則按照后臺獲取的優(yōu)先順序排序。

3. 線上運營情況

產品上線后2-3個月，不同類型間的內容播放數據（平均瀏覽量環(huán)比前日增長）出現兩級分化的情況，有的類型是正增長，而較多類型處于負增長主要原因有兩個：

1. 用戶基數較小，探究的樣本空間就相對較小，所以分化比較嚴重；
2. 這段時間為內容創(chuàng)作適應階段，需要長期對標用戶，調整創(chuàng)作方案和創(chuàng)作類型。

在大半年到1年時間，各類型間播放數據差異（平均瀏覽量環(huán)比前日增長）逐步減少，負增長類型有了明顯減少，并且用戶次日留存也逐步穩(wěn)定在15%左右。

第二步：根據用戶喜好推薦

1. 項目背景

上面說到按照發(fā)布時間為主的推薦排序在某些數據上表現較好，但是在用戶平均使用時長在2分鐘左右，比較低，為了提升用戶平均使用時長和進一步提升留存，我們進入喜好推薦。

2. 方式機制

用戶喜好推薦是通過用戶行為和內容標簽關聯(lián)的數據為依據，喜好強度做判斷，然后按照由強及弱進行推薦。做此類推薦首先需要有內容數據支撐和用戶行為支撐。

1. 內容數據支撐：在我們的內容庫里面由運營人員設置了108個內容標簽；
2. 用戶行為數據支撐：用戶行為數據庫里面記錄了所有已登錄用戶歷史的瀏覽、播放、點贊、分享、收藏數據。
3. 喜好強弱評定方案：

• ? 行為分數定義：對用戶播放、點贊、評論、轉發(fā)、收藏行為按照行為可靠性定義分數，總分10分；（每個平臺不一樣，我們播放分數5分，點贊2分，其他各1分）
• 強弱判斷：每條內容播放后，根據用戶行為算出總分，以后就優(yōu)先為用戶推薦得分高內容的同類型內容；

3. 線上運營情況

上線后1周，用戶平均使用時長上升到了2分鐘—3分鐘；

上線后1個月，次日留存穩(wěn)定在20%-25%。

第三步：增加運營配置

1. 項目背景

1. 運營需要：運營活動、時效性內容需要強制推薦；
2. 優(yōu)化上個方案：完全按照用戶喜好推薦，導致同類型問題比較嚴重

2. 方式機制

在服務端返回的每組內容列表里面，增加適當個數的運營位（每個平臺根據自己的規(guī)則來，我們服務端每次返回20條數據，所以我們配置的是第三個、第6個為運營位，原因是平臺用戶平均瀏覽數量是4個，所以在第三個放置，能保證大部分用戶首次啟動可以看到，同時也不會影響用戶體驗）。

3. 線上運營情況

很慶幸，上線后沒有讓用戶評價使用時長降低，由于運營活動的有效觸達，用戶次日留存得到了很大提升，達到30%以上。

第四步：增加內容過濾機制

1. 項目背景

運營配置雖然解除了少數按照同質化問題（按照用戶喜好推薦，可能會導致同類型問題比較嚴重），但是運營配置位置較少，而且具有較強主觀意識。所以本次為平臺過濾內容增加了兩個位置

2. 方式機制

平臺內容過濾機制：指的是通過平臺用戶對內容打分，過濾出優(yōu)質內容和劣質內容，將優(yōu)質內容推送給其他更多用戶，劣質內容則淘汰不在推送。具實現方式如下：

1. 制定隨機種子：內容隨機推送給100個用戶（數量根據平臺用戶規(guī)模和庫內內容存量定），然后通過100個用戶對內容的行為操作統(tǒng)計分數；
2. 優(yōu)劣判斷：設定優(yōu)劣分數判定標準，150分以上為優(yōu)質。（每個平臺不一樣，根據用戶規(guī)模、內容情況和歷史數據判定）
3. 優(yōu)質推送規(guī)則：100個隨機用戶完成打分后，將優(yōu)質內容按照分數高低推送給其他用戶，同時優(yōu)質內容每天也會再次進行重計分和重排序。
4. 打分規(guī)則：內容得分=完播系數*分數+是否分享*分數+是否關注*分數+是否評論*分數+是否點贊*分數+是否收藏*分數；

• 分數：指的是每個行為占比，這里，設定所有行為總分=10，完播分數=5，其余各項分別=1；
• 完播：指的是內容完整播放，進度條滑動不計算在內。

3. 線上運營情況

1. 功能上線后，保持每天10條以上優(yōu)質內容產生，目前來看，屬于穩(wěn)定的循環(huán)；
2. 用戶平均使用時長達到4分鐘到5分鐘；
3. 用戶留存達到35%以上。（留存增長較快，和運營、推廣都有較大關系）。

后話

目前我正在著手機器學習對接方案，后面上線后再和大家做進一步分享。

以上就是截止到今年年初推薦功能的大策略調整，中間有幾個小版本迭代就不再這里過多講述了，希望能和大家共勉。

本文由 @pangTT 原創(chuàng)發(fā)布于人人都是產品經理。未經許可，禁止轉載

題圖來自 Unsplash，基于 CC0 協(xié)議