内容运营策略：个性化推荐

一、推荐系统流程

典型的推荐系统包括3个部分，即召回层（ Recall )、排序层（ Rank )和重排层（ ReRank )。
1．召回层（ Recall )
召回层主要是从全量库中首先获取用户可能感兴趣的候选集，是推荐系统的基础。从业务角度而言，召回层是在准备后续可能满足用户需求的候选集。很多内容分发产品的召回层，一次会召回10000~50000条用户可能感兴趣的内容，后续再从这些内容中挑选出用户可能点击和购买的内容。
召回层有两个最著名的推荐算法﹣- CF 和 CB ，即协同过滤和基于内容召回。
CF ，协同过滤，当要为用户 A 做推荐时，先找到和用户 A 有相似兴趣的其他用户，然后把那些用户喜欢的而用户 A 未浏览过的作为候选集；
CB ，基于内容召回，给用户推荐那些和他们之前浏览或购买过的物品相似的物品。
这两种算法是经典的推荐算法，很多推荐系统搭建之初都会先用这两种算法做出基础推荐策略。但是这两种算法效果并不那么好， CF 是基于相似用户的共同兴趣来推荐，它的核心逻辑是"人以群分"，辑上没问题，实施起来有点强人所难，毕竟没有兴趣完全一致的两个人； CF 在用户经营中最常见的字眼就是"其他用户也在看"“和您一样的用户也在买”。 CB 是基于相似内容来推荐，它的核心逻辑是"物以类聚"，CB 适合高频消费场景，不适合中低频消费。

召回层还会设置兜底策略，即当推荐系统突然无法服务时，召回层将保留一条策略为用户提供热点和最新内容，保证用户层面始终有内容可看可用。当用户刷视频刷得开心时，突然发现连着几条甚至十几条都是相似视频，这种情景叫"跑火车"，大概率是推荐系统出问题而触发了兜底策略。

2．排序层（ Rank )
召回层中各个召回策略召回的原始数据之间并不具备可比性，无法在用户场景中应用。道理很简单，大家都一样，到底该推荐谁？所以需要在排序层中按照某种规则进行统一计算和排序。例如我的兴趣是汽车和娱乐，召回时会把汽车和娱乐视频一并召回，但用户兴趣是有权重的，即我对汽车的兴趣权重是0.97，对娱乐的兴趣权重是0.96，同时汽车视频的历史 CTR 为8%，娱乐视频的历史 CTR 为7.6%，那么在排序层将给汽车类视频更高的排序序列，同时将排序序列倒数的，即经过算法判断不太可能被用户点击的内容删除。所以在排序层会将召回层召回的10000_{50000条内容精简到100}500条，可以认为排序后留下的都是用户最感兴趣的精华内容。
排序层也是推荐系统最为重要的层级，在推荐系统的策略运营中，绝大部分时间都是在优化和实验排序层策略。
如果说召回层和排序层是强调模型、算法和技术，那么重排层就是妥妥的业务运营最常打交道的地方。在重排层，重点是从用户体感出发，保证用户良好的体验，几乎不涉及模型、算法和技术。用户体感的含义是指重排层
3．重排层（ ReRank )

用户也在看"“和您一样的用户也在买”。 CB 是基于相似内容来推荐，它的核心逻辑是"物以类聚"，你看了手工耿的视频， CB 认为你也喜欢看和手工耿一样打造无用产品的视频，逻辑上没问题，放在短视频这样的内容分发上也没问题，可放到电商产品就不适合了。 CB 适合高频消费场景，不适合中低频消费。
召回层还会设置兜底策略，即当推荐系统突然无法服务时，召回层将保留一条策略为用户提供热点和最新内容，保证用户层面始终有内容可看可用。当用户刷视频刷得开心时，突然发现连着几条甚至十几条都是相似视频，这种情景叫"跑火车"，大概率是推荐系统出问题而触发了兜底策略