編輯導(dǎo)語(yǔ)：伴隨著移動(dòng)互聯(lián)網(wǎng)的快速發(fā)展與信息量的飛速增長(zhǎng)，如今用戶可能每天都需要接收海量級(jí)別的信息。而推薦系統(tǒng)的產(chǎn)生讓用戶在一定程度上可以更精準(zhǔn)地接收自己所需信息。那么，如何搭建好一個(gè)推薦系統(tǒng)？本文作者結(jié)合自身經(jīng)驗(yàn)，總結(jié)了從0到1搭建推薦系統(tǒng)的一套方法，一起來(lái)看一下。

一、前言

本文主要是筆者在負(fù)責(zé)實(shí)際項(xiàng)目中積累的關(guān)于推薦系統(tǒng)的皮毛認(rèn)知和理解。

原先都是以用戶的身份接觸推薦系統(tǒng)，所以在以PM的身份接到任務(wù)時(shí)自然是一頭霧水。各種問(wèn)題浮現(xiàn)在腦海：推薦系統(tǒng)是什么？能解決什么問(wèn)題？如何構(gòu)建？等等。

說(shuō)實(shí)話，這些問(wèn)題每一個(gè)都困擾了我許久。光是思考第一個(gè)問(wèn)題就花了一個(gè)多月，回過(guò)頭來(lái)看，整個(gè)項(xiàng)目周期中，大概70%的時(shí)間用于思考“是什么”的問(wèn)題，剩下30%的時(shí)間是解決“怎么做”的問(wèn)題（實(shí)際上整個(gè)項(xiàng)目中的應(yīng)用系統(tǒng)除了推薦系統(tǒng)還有用戶畫(huà)像系統(tǒng)）。

當(dāng)然最終的結(jié)果是樂(lè)觀的。所以有意寫(xiě)下此文，一來(lái)是記錄心得，二來(lái)是給有需要的朋友做實(shí)戰(zhàn)分享，三來(lái)就是拋磚引玉，促進(jìn)共同交流。因筆者在該行業(yè)中經(jīng)驗(yàn)積累較為淺薄，疑慮和不妥之處還望賜教和指正。

二、推薦系統(tǒng)簡(jiǎn)述

1. 推薦系統(tǒng)是什么

從應(yīng)用層面簡(jiǎn)而言之，推薦系統(tǒng)的主要功能是基于已知的用戶數(shù)據(jù)通過(guò)算法計(jì)算并給出用戶可能感興趣的信息/物品。

2. 推薦系統(tǒng)誕生背景簡(jiǎn)述

隨著知識(shí)的運(yùn)用積累、科學(xué)技術(shù)的進(jìn)步等，人類在近幾百年來(lái)通過(guò)幾次工業(yè)革命使得社會(huì)的生產(chǎn)力水平得到大幅提升。此外，從第二次世界大戰(zhàn)結(jié)束后，人類社會(huì)加速邁入全面和平時(shí)代，全球各國(guó)的主基調(diào)以經(jīng)濟(jì)發(fā)展為核心主題，因而進(jìn)一步加速了社會(huì)經(jīng)濟(jì)發(fā)展水平。

在此基礎(chǔ)上，我們從一個(gè)生產(chǎn)力水平相對(duì)低下、生活物品匱乏的年代逐漸向物質(zhì)水平充足、信息爆炸再過(guò)渡到當(dāng)下的商品過(guò)剩、信息過(guò)載的年代。可以預(yù)見(jiàn)的是在未來(lái)人們?cè)谕粵Q策下將面臨越來(lái)越多的選擇。

在此背景下，消費(fèi)者（用戶）在面臨大量的信息或者物品時(shí)可能無(wú)法真正從中獲得自己期望或有用的信息或商品。與此同時(shí)，生產(chǎn)者的困擾在于如何讓自己的信息/商品呈現(xiàn)給更多用戶，如何在海量的信息/商品中脫穎而出。

而推薦系統(tǒng)正是解決這一矛盾重要工具。尤其是在平臺(tái)經(jīng)濟(jì)模式下，推薦系統(tǒng)的應(yīng)用最為廣泛，其中較為典型并具有良好的發(fā)展和應(yīng)用前景的領(lǐng)域包括電子商務(wù)領(lǐng)域、電影/視頻、音樂(lè)、閱讀等。

本文主要以項(xiàng)目中涉及的領(lǐng)域【電影/視頻】領(lǐng)域?yàn)槌霭l(fā)點(diǎn)進(jìn)行展開(kāi)。

三、從0到1構(gòu)建推薦系統(tǒng)

1. 推薦系統(tǒng)的核心功能

推薦系統(tǒng)的核心功能就是為用戶推薦其可能感興趣的商品。大致的過(guò)程可以簡(jiǎn)述為：推薦系統(tǒng)依據(jù)已知的用戶數(shù)據(jù)，經(jīng)過(guò)推薦引擎（推薦算法）計(jì)算，并給出用戶可能感興趣的商品集合，最終再通過(guò)前端界面的方式將特定的商品呈現(xiàn)在用戶眼前。

比如：已知用戶的觀影數(shù)據(jù)，此時(shí)可通過(guò)推薦算法得知用戶是一名喜劇電影愛(ài)好者，于是便可以向用戶推薦喜劇電影題材的視頻內(nèi)容。

此外，這里需要重點(diǎn)說(shuō)明的是，如何判斷用戶是否感興趣的主要依據(jù)來(lái)源于已知的用戶數(shù)據(jù)。本質(zhì)上是基于數(shù)據(jù)統(tǒng)計(jì)推斷。所以這里描述的是可能感興趣。這一點(diǎn)很重要。而說(shuō)到用戶數(shù)據(jù)，這里需要提一下方便后續(xù)的理解和擴(kuò)展，用戶數(shù)據(jù)的主要類型：

1. 用戶基本屬性：這里主要是用戶地理信息，用戶社會(huì)屬性數(shù)據(jù)（性別、年齡等）等。
2. 用戶行為數(shù)據(jù)：這里主要是用戶的觀影數(shù)據(jù)（點(diǎn)擊、播放、收藏、訂購(gòu)）等。當(dāng)然，考慮到人類行為動(dòng)力學(xué)特征研究結(jié)果（大多數(shù)情況下，人對(duì)一件事情的關(guān)注只能持續(xù)較短的時(shí)間），在此還需要做拆分，即歷史行為數(shù)據(jù)和實(shí)時(shí)行為數(shù)據(jù)。比較典型的實(shí)時(shí)推薦：某寶購(gòu)物在線輸入關(guān)鍵字搜索后退出，此時(shí)再次進(jìn)入app則可能會(huì)看到與搜索關(guān)鍵字相關(guān)的物品。

下圖為推薦系統(tǒng)基本功能和簡(jiǎn)要的過(guò)程：

2. 推薦系統(tǒng)的構(gòu)建

說(shuō)到這里，我們似乎發(fā)現(xiàn)了，其實(shí)推薦系統(tǒng)說(shuō)簡(jiǎn)單一點(diǎn)就是：給用戶推薦商品。

如果拓展一下：那就是給什么樣的用戶推薦什么樣的商品。再拓展一下：給什么樣的（具有某種特征的用戶）用戶用什么樣的方式（不同場(chǎng)景下的推薦算法）推薦什么樣的（與用戶特征相匹配的商品）商品。

這樣理解的話，我們似乎知道可以從哪里下手了。

1）用戶特征與商品特征定義

① 用戶和商品的關(guān)聯(lián)關(guān)系

我們需要定義一套規(guī)則把用戶和商品關(guān)聯(lián)起來(lái)。這樣可以使得用戶和商品存在某種關(guān)聯(lián)關(guān)系以便達(dá)到對(duì)某特征的用戶推薦關(guān)聯(lián)特征的商品。

可以說(shuō)用戶特征和商品特征之間的關(guān)聯(lián)是相輔相依的。比如：為喜劇電影偏好者推薦喜劇電影。

那么問(wèn)題來(lái)了，用戶和商品之間本身不存在關(guān)聯(lián)關(guān)系，可以說(shuō)都是相對(duì)獨(dú)立的，何來(lái)關(guān)系之有？何談建立關(guān)聯(lián)關(guān)系？

這里的答案是用戶的行為，用戶行為使得用戶和商品之間產(chǎn)生關(guān)聯(lián)。因?yàn)橐淮谓换?，所以產(chǎn)生了聯(lián)系。于是便有了關(guān)聯(lián)關(guān)系。那么這個(gè)“交互”其實(shí)就是方才提到的： 點(diǎn)擊、播放、收藏、訂購(gòu)等。用戶播放了喜劇電影，則意味著用戶與該喜劇電影產(chǎn)生了關(guān)聯(lián)關(guān)系。

于是乎，我們似乎可以下一個(gè)初步的結(jié)論，用戶可能對(duì)喜劇電影感興趣。進(jìn)而我們是否可以考慮為該用戶推薦喜劇電影呢？有點(diǎn)欠妥，因?yàn)閮H憑一次觀影，數(shù)據(jù)量不足。

但是如果我們根據(jù)用戶的大量歷史行為數(shù)據(jù)發(fā)現(xiàn)該用戶看的電影中喜劇偏多，而此刻我們認(rèn)為用戶對(duì)喜劇電影有偏好的結(jié)論似乎就可以站得住腳了。進(jìn)而，我們可以試著給用戶推薦喜劇電影了。

② 商品特征和用戶特征

商品特征源自于對(duì)商品不同維度的描述。這里用商品屬性代替。下表中的第一列就是商品屬性（業(yè)界通常把電影電視劇等統(tǒng)稱為媒資，因而后文中牽涉到商品的內(nèi)容將以媒資來(lái)描述）。

商品屬性及其屬性值。這個(gè)比較好理解。下圖中的【媒資題材】其實(shí)就是屬性的一種，對(duì)應(yīng)的屬性值有：喜劇、懸疑、動(dòng)作等等。

而我們可以通過(guò)商品具備的屬性來(lái)建立屬于商品固有的特征。商品屬性越多，商品特征越豐富。如：一部喜劇電影和一部成龍主演的喜劇電影。很顯然是后者的特征更豐富。所以我們明確一點(diǎn)：屬性是構(gòu)成特征的基本要素。

同理，對(duì)于用戶特征亦是如此。通過(guò)用戶屬性來(lái)建立用戶固有的特征（通常用用戶標(biāo)簽來(lái)描述）。下表中是用戶特征的簡(jiǎn)要示例。

在說(shuō)完商品特征/用戶特征以及二者之間的關(guān)系后，我們可以發(fā)現(xiàn)。用戶通過(guò)主動(dòng)行為，與商品發(fā)生關(guān)聯(lián)關(guān)系，從而建立了用戶與商品之間的聯(lián)系，因而這就為我們做商品推薦奠定了基礎(chǔ)。

2）推薦場(chǎng)景及算法邏輯構(gòu)建

① 推薦場(chǎng)景和推薦算法的聯(lián)系

通過(guò)上述過(guò)程，我們建立了用戶和商品之間的聯(lián)系，剩下的工作就是需要一套自動(dòng)化的程序?qū)⒍叩年P(guān)系打通。這個(gè)自動(dòng)化程序即我們要說(shuō)的推薦算法。

方才有提到，推薦的本質(zhì)上是基于數(shù)據(jù)統(tǒng)計(jì)推斷。而數(shù)據(jù)我們?cè)谶@里主要分為兩種：

1. 基于用戶基本屬性數(shù)據(jù)；
2. 基于用戶行為數(shù)據(jù)（包含歷史行為數(shù)據(jù)和實(shí)時(shí)行為數(shù)據(jù)）。

我們先做個(gè)小結(jié)：這里所有的推薦算法都是基于上述兩種數(shù)據(jù)完成的。

與此同時(shí)，我們不妨再回顧一下：給什么樣的（具有某種特征的用戶）用戶用什么樣的方式（不同場(chǎng)景下的推薦算法）推薦什么樣的（與用戶特征相匹配的商品）商品。

這里需要有一個(gè)問(wèn)題值得思考，為什么推薦算法還需要區(qū)分場(chǎng)景。

這其實(shí)主要源自于應(yīng)用端需求。比如，我打開(kāi)了某寶，首頁(yè)中可能出現(xiàn)了我搜索過(guò)的商品種類推薦，而在我下單后可能系統(tǒng)又為我推薦了其他的商品。

這里提到的“首頁(yè)狀態(tài)”和“下單后”兩種分別屬于不同的場(chǎng)景。前者是我剛進(jìn)app，系統(tǒng)可能通過(guò)我過(guò)去的行為數(shù)據(jù)發(fā)現(xiàn)我可能對(duì)搜索過(guò)的商品比較感興趣，所以為我推薦相關(guān)商品，而后者是系統(tǒng)通過(guò)全網(wǎng)用戶數(shù)據(jù)發(fā)現(xiàn)購(gòu)買(mǎi)了當(dāng)前商品A的用戶同時(shí)也購(gòu)買(mǎi)了另一款產(chǎn)品B，而此時(shí)我購(gòu)買(mǎi)了該商品于是認(rèn)為我可能也會(huì)下單商品B，所以為我推薦了商品B。

不同的場(chǎng)景下，需要有對(duì)應(yīng)合適的推薦方式。于是我們將推薦場(chǎng)景和推薦算法聯(lián)系到了一起。

我們簡(jiǎn)單地整理出示意表格中的實(shí)例：基于不同場(chǎng)景下對(duì)用戶數(shù)據(jù)采用特定的推薦算法進(jìn)行計(jì)算。

至此，我們還需要完成一項(xiàng)工作才能構(gòu)成一個(gè)簡(jiǎn)單的推薦系統(tǒng)：推薦算法的邏輯。

② 推薦算法的邏輯構(gòu)建

在上述的示例中，我們列舉了部分推薦算法，下面一一說(shuō)明：

用戶偏好推薦

簡(jiǎn)而言之，依據(jù)用戶歷史的行為數(shù)據(jù)推薦他平常喜歡看的內(nèi)容。

還是拿前面說(shuō)過(guò)的：為喜劇電影偏好者推薦喜劇電影。所以我們可以制定量化規(guī)則。

如：我們統(tǒng)計(jì)了該用戶過(guò)去的觀影數(shù)據(jù)，其中觀看【喜劇片】10次，【懸疑片】5次，【戰(zhàn)爭(zhēng)片】4次，【愛(ài)情片】1次，那么加起來(lái)合計(jì)觀影次數(shù)=10+5+4+1=20次，其中按照比例計(jì)算分別占比：50%、25%、20%、5%。

那么我們通過(guò)現(xiàn)有的數(shù)據(jù)可以觀察到，該用戶的僅有數(shù)據(jù)中顯示其對(duì)【喜劇片】和【懸疑片】較為有興趣（這里我們定義從歷史數(shù)據(jù)中取Top2，【喜劇】和【懸疑】符合我們自定規(guī)則），于是當(dāng)用戶下次開(kāi)機(jī)時(shí)，我們有了在首頁(yè)為用戶推薦一定數(shù)量的【喜劇片】和【懸疑片】的依據(jù)。上述，大概是簡(jiǎn)單的用戶偏好推薦算法。

協(xié)同過(guò)濾推薦

這里我就不獻(xiàn)丑了。這種推薦算法比較經(jīng)典，也是業(yè)界常用的推薦算法。比較典型的案例是：啤酒和尿布。超市人員發(fā)現(xiàn)購(gòu)買(mǎi)啤酒的用戶同時(shí)也購(gòu)買(mǎi)了尿布。于是這個(gè)故事可以寫(xiě)成：買(mǎi)尿布的家庭中有嬰兒，母親照顧嬰兒，父親去超市買(mǎi)尿布同時(shí)也買(mǎi)啤酒。

明星偏好推薦

這里同上述第一項(xiàng)相似，就不再贅述了。主要目的有兩個(gè)，一個(gè)是篩選出近期比較熱的明星，推薦他的內(nèi)容；另一部分是按照用戶對(duì)明星的偏好，推薦用戶偏好的明星的內(nèi)容。

通過(guò)上述的推薦算法的規(guī)則的建立，結(jié)合已知的數(shù)據(jù)，我們似乎可以為單個(gè)用戶做個(gè)性化推薦了。下圖所示，但這里只是整個(gè)系統(tǒng)的一部分。

3）推薦結(jié)果的過(guò)濾和排序

完成了前面的內(nèi)容后，理論上我們可以做出一個(gè)較為簡(jiǎn)單的推薦系統(tǒng)。但是在實(shí)際業(yè)務(wù)中還會(huì)牽涉到兩項(xiàng)比較重要的工作需要完成：過(guò)濾和排序。

① 推薦結(jié)果的過(guò)濾

這里的過(guò)濾：主要是針對(duì)媒資庫(kù)中剔除不符合業(yè)務(wù)規(guī)則的媒資的過(guò)程。而不符合業(yè)務(wù)規(guī)則需要依據(jù)實(shí)際的業(yè)務(wù)來(lái)確定，常見(jiàn)的不符合規(guī)則的類型有如下：

1. 被加入黑名單的媒資內(nèi)容：加入黑名單后將不再呈現(xiàn)在用戶視野中，故而需要過(guò)濾掉。
2. 媒資版權(quán)過(guò)期：媒資庫(kù)中過(guò)濾掉版權(quán)過(guò)期的內(nèi)容。
3. 話題敏感的媒資內(nèi)容：某些時(shí)間段或特殊事件引發(fā)的敏感內(nèi)容“下架”。
4. 排重過(guò)濾：這里的排重過(guò)濾也有多種形式，常見(jiàn)的是：推薦系統(tǒng)在最近的一段時(shí)間段為用戶推薦過(guò)某電影，但是用戶并沒(méi)有播放，可能是用戶對(duì)該項(xiàng)推薦不感興趣。當(dāng)推薦次數(shù)積累到一定程度時(shí)，系統(tǒng)將自動(dòng)過(guò)濾該媒資。
5. 其他：這里的過(guò)濾條件可能會(huì)有多種，主要源自于業(yè)務(wù)需求，故而不再一一列舉。下面的流程圖中是實(shí)際業(yè)務(wù)中需要進(jìn)行過(guò)濾的選項(xiàng)。

② 推薦結(jié)果的排序

通過(guò)上述過(guò)濾，推薦結(jié)果的媒資集合已經(jīng)被清理了一輪。但集合中剩余的內(nèi)容并不是所有的媒資都需要呈現(xiàn)給用戶。用戶的視野是有限的，推薦位的數(shù)量也是有限的，所以我們應(yīng)該從這個(gè)集合中再次篩選出比較“易產(chǎn)生興趣”的內(nèi)容，進(jìn)而提升用戶可能對(duì)推薦內(nèi)容產(chǎn)生的興趣。

排序的方式有多種，這里只列舉了一部分并且是單一的排序方式。也可以通過(guò)算法規(guī)則進(jìn)行綜合排序等，這里只討論單一排序。排序方式包括：

1. 熱度排序：媒資集合中所有的媒資按照熱度來(lái)排序；
2. 評(píng)分排序：按照評(píng)分大小來(lái)排序；
3. 上線時(shí)間排序：按照上線的時(shí)間遠(yuǎn)近來(lái)排序；
4. 其他。

4）推薦結(jié)果的展示

推薦結(jié)果的展示

在經(jīng)過(guò)媒資的過(guò)濾和排序后，推薦內(nèi)容已經(jīng)準(zhǔn)備好進(jìn)入用戶的視野了。我們重新整理并對(duì)先前的示意圖做一下優(yōu)化，如下：

整個(gè)過(guò)程相對(duì)清晰，但總有點(diǎn)抽象。所以，我打算用一個(gè)簡(jiǎn)單的示例來(lái)進(jìn)行回顧和說(shuō)明。

延續(xù)上述提到的例子。我們統(tǒng)計(jì)了小明過(guò)去的觀影數(shù)據(jù)，其中觀看【喜劇片】10次、【懸疑片】5次、【戰(zhàn)爭(zhēng)片】4次、【愛(ài)情片】1次，那么加起來(lái)合計(jì)觀影次數(shù)=10+5+4+1=20次，其中按照比例計(jì)算分別占比：50%、25%、20%、5%。

那么我們通過(guò)現(xiàn)有的數(shù)據(jù)可以觀察到，該用戶的僅有數(shù)據(jù)中顯示其對(duì)【喜劇片】和【懸疑片】較為有興趣（這里我們定義從歷史數(shù)據(jù)中取Top2，【喜劇】和【懸疑】符合我們自定規(guī)則）。于是當(dāng)小明下次開(kāi)機(jī)時(shí)，來(lái)到了首頁(yè)（這里示例默認(rèn)了只使用一種推薦引擎）。此時(shí)系統(tǒng)的工作：

a. 從媒資庫(kù)中取了1000部【喜劇片】和1000部【懸疑片】，并對(duì)兩種類型的電影做了【過(guò)濾】，各剩下500部符合業(yè)務(wù)規(guī)則的電影。

b. 系統(tǒng)各將這500部電影按照【熱度】進(jìn)行了排序，原先的無(wú)序媒資集合有序了。

但是值得注意的是，這個(gè)集合很大，而我們現(xiàn)在首頁(yè)的推薦位只有9個(gè)。我們需要解決的問(wèn)題有兩個(gè)，一個(gè)是我們已經(jīng)知道的，我們1次最多只能推9個(gè)，另一個(gè)是我們要給小明推薦兩種類型的影片，如何分配數(shù)量。

相信說(shuō)到這里，大家自有答案。我們按照【喜劇片】50%占比，【懸疑片】25%占比：即【喜劇片】比【懸疑片】=2：1來(lái)分配數(shù)量。于是【喜劇片】=9*2/3=6個(gè)，【懸疑片】=9*1/3=3個(gè)。

c. 如此，我們將媒資集合中【喜劇片】排名前6個(gè)影片以及【懸疑片】前3個(gè)影片，呈現(xiàn)在小明的眼前。

以上大致是一個(gè)簡(jiǎn)要的推薦系統(tǒng)的構(gòu)建以及整個(gè)過(guò)程的描述。

當(dāng)然在實(shí)際的業(yè)務(wù)中，會(huì)有偏差，也有一部分重要的問(wèn)題這里沒(méi)有提及。比如：推薦算法種類的多樣性和準(zhǔn)確性；推薦結(jié)果的反饋、推薦效果如何等等。

總而言之，通過(guò)整個(gè)過(guò)程我們大致了解了推薦系統(tǒng)的本質(zhì)，也了解到一個(gè)簡(jiǎn)要的推薦系統(tǒng)如何構(gòu)建以及可能存在的問(wèn)題和優(yōu)化的方向。如果這個(gè)目的實(shí)現(xiàn)了，那么本文的目的也就達(dá)到了。希望對(duì)有需要的朋友提供思路，同時(shí)也歡迎多多交流。

四、心得：寫(xiě)在最后

推薦系統(tǒng)對(duì)于一個(gè)產(chǎn)品經(jīng)理來(lái)說(shuō)不是一個(gè)常見(jiàn)的產(chǎn)品，因?yàn)槭忻嫔蠋缀跽也坏筋愃频漠a(chǎn)品，更別說(shuō)做什么競(jìng)品分析。因?yàn)槟苁褂玫酵扑]系統(tǒng)的公司往往都是科技巨頭，比如電商平臺(tái)淘寶京東PDD、短視頻平臺(tái)小破站抖音等或者其他的平臺(tái)型公司，主要原因在于這些平臺(tái)有大量的用戶同時(shí)也有大量的信息/商品。

一般的公司是不可能用到這樣的系統(tǒng)，自然市面上就沒(méi)有較多的參考內(nèi)容，所以整個(gè)系統(tǒng)可以看作是一個(gè)自主原創(chuàng)的從0到1。

筆者原是一名汽車(chē)電子行業(yè)勉強(qiáng)入流的工程師，后通過(guò)自學(xué)轉(zhuǎn)行至互聯(lián)網(wǎng)PM。入行前后約一年時(shí)間，做的第一個(gè)大的項(xiàng)目就是這個(gè)推薦系統(tǒng)。這個(gè)系統(tǒng)成敗對(duì)于我來(lái)說(shuō)很關(guān)鍵，所以也是不惜一切代價(jià)，從搞清楚問(wèn)題到可以解決問(wèn)題的確耗費(fèi)了很多時(shí)間和精力。

而對(duì)我來(lái)說(shuō)除了負(fù)責(zé)人對(duì)我的指導(dǎo)和紓困外，幫助較大的是兩本書(shū)：《推薦系統(tǒng)實(shí)戰(zhàn)—項(xiàng)亮》以及亞里士多德《形而上學(xué)》。前者是基本概念和實(shí)踐思想指導(dǎo)后者是“第一性原理”思想指導(dǎo)。

關(guān)于后者，其實(shí)我想單獨(dú)拿出來(lái)多說(shuō)一句。亞里士多德——古希臘三杰之一，是一名偉大的哲學(xué)家、科學(xué)家……他的這本《形而上學(xué)》是哲學(xué)類的書(shū)籍，主要是研究和對(duì)事物的本質(zhì)的思考。

講真，我的非功利閱讀區(qū)大多是這類書(shū)籍。有意思的是，我自己也不知道什么是哲學(xué)。但我始終認(rèn)同一個(gè)觀點(diǎn)：哲學(xué)不能幫助我們直接解決實(shí)際問(wèn)題，但卻能給我們思維的指引。如果這個(gè)時(shí)候我們?cè)偎伎家淮芜@個(gè)問(wèn)題：推薦系統(tǒng)是什么。可能就沒(méi)那么抽象了。

總的來(lái)說(shuō)，這個(gè)產(chǎn)品對(duì)我來(lái)說(shuō)最大的價(jià)值在于：實(shí)現(xiàn)“知行合一”，即一次較為成功的自我認(rèn)知和實(shí)踐的閉環(huán)。

作者：REVIN

本文由 @雜技演員瑞文 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來(lái)自 Unsplash，基于CC0協(xié)議