腾讯信息流平台产品负责人牛津：个性化推荐的那些事儿

背景我还真不知道怎么回答……个性化其实很早，只是近几年大家才有感知，IBM在零几年就发表过相应的论文&IBM的应用，只是更多的是toB的业务很少有人关注过；

亚马逊购物后的相关商品也比较早，可能更为大家所感受到，这点国内的电商平台跟进都很迅速；

排除大背景，看风口本身往哪吹呢，有两个因素很重要：

• 效率最大化，位置永远是有限的，要想达到更好的效果就要考虑这个位置怎么满足更多人的诉求，比如我11年的时候负责过NBA的业务，即便今天体育的应用还会在头部放赛事条但一天NBA14场比赛摆下来是不是真的有用呢，如我只看凯尔特人你全摆下来我还要找凯子在哪，我们当时跑过用户观看过往赛事最支持的球队是那几个，只推这几个球队的赛事更多赛事进赛程查看，这就是一种个性化推荐；

• 第二个要考虑数据化，有个笑话说你没有应用场景下的大数据其实是大数字，那这个场景非常需要数据化的提取，我们都知道互联网的快速崛起=技术*人口红利，放在20年前完说作个性化推进可能386的CPU根本就跑不出足够的数据特征；

综合这两个背景，只要你的业务已经到了急需效率提升期，我个人觉得什么时候进入个性化推荐领域都是合适的的。

今日头条的上一个soglon比较贴切的总结了个性化推荐：你关注的就是头条。

无论什么产品，最基础&最主要的还是了解用户，至于专业技能多是些添彩的工具罢了

我有个同事曾经整理过一份用户的理解，时间原因直接copy到这里给大家分享一下。

先举个例子，比如女孩子逛街

• 你想买某条裙子，商场正好有，你就买了

• 你也不知道买啥就逛逛，看见很多人都买这条裙子，你跟着也就买了

个性化推荐就是这么简单，你喜欢啥就给你啥，你不知道你自己喜欢啥就给你推你同类型人喜欢啥看你是否喜欢，喜欢就继续推、不喜欢就退避

那我们怎么判断你喜欢啥或者某个时间喜欢啥呢，我们会把内容打上内容特征值、行为特征值、状态特征值，然后根据这些特征值的组合不断去尝试探索某个人的兴趣并记录再推荐

这里一定要注意各个特征值代表的含义！

• 圈人群，基于用户数据建模

• 圈内容，基于内容数据建模

• 协同过滤，基于用户的协同过滤、基于项目的协同过滤和基于模型的协同过滤

优缺点不好说，放到自己的业务上和用户画像匹配后才好评估

没有机器的学习个性化推荐就是瞎扯淡。

首先标签属于内容特征值的部分，有了标签更能理解用户对于内容的需求，这个算基本的推荐特征

至于标签体系的搭建，我觉得搭建这个词不好，一旦是你搭建多东西就要有定义，但tag不是被定义的，比如前两天我们同事聊天说我要扩列下你，扩列这个词大家知道什么意思么？

如果不知道大家可以搜下扩列，这个词时随着00后诞生的，不是被我们定义的，我更觉得tag要考虑的是应用，这里有两个维度

• 可作为兴趣推荐维度，比如动作电影代表了一类用户，但电影这个兴趣就太大了并不适合推荐，当然动作电影其实也很大，这里就是简单举例