浅析内容推荐体系如何构建.pdfVIP

浅析内容推荐体系如何构建 所谓的 “内容推荐”，把主语谓语宾语补充完整之后就是 “系统把内容推荐给用户”，那 推荐系统如何构建，说白了就是要解决 “什么样的内容推荐给什么样的用户”的问题以及 “如何推”的问题。 针对引文中的两个问题，可以总结为以下三个点 我们推什么样的内容——what 我们推给什么样的用户——who 内容如何推荐给用户——how 一、内容篇 说到内容，先不着急解决 “推什么”的问题，在这之前，我们首先要分析我们拥有什么内 容，这些内容是如何产生的。 目前互联网内容信息的载体主要分为以下几种：文字、图片、音频、视频。而生产这些内 容的用户大体又可分为两种，一种是专业从事内容生产的PGC 用户，一个PGC 用户的背后 往往由一个专业的团队组成，他们分工明确，撰写、拍摄、录制、后期、包括后期的市场 宣传都有专门的人员从事，此类用户的生产的内容质量往往比较高。另一种是普通的UGC 生产用户，此类用户无固定生产内容的习惯，往往是三天打鱼两天晒网，其生产的内容质 量也较低。 根据平台定位不同，其拥有的内容资源也不同，生产内容的用户构成也不尽相同。根据上 述列出的几种内容类型和生产用户类型，可以组合出 “图片+PGC”、 “文字、图片+PGC”、 “视频+PGC”、 “视频+UGC”….等多种组合类型。结合自身平台业务线，找出内容数量 靠前的几种组合，也就是我们所拥有的内容优势所在。 当我们分析出我们拥有什么以后，接下来所要解决的问题就是如何筛选优质内容，以及如 何进行内容信息识别和聚类，对于优质内容我们要在推荐策略里基于更多展现曝光 关于优质内容的筛选，主要分为 “机器筛选”和 “人工筛选”两种方式，而实际操作中， 往往是二者的结合，因为单纯机器筛选其客观性太强，部分优质内容机器无法识别（对于 上述四种内容信息的载体，其展现形式的表现力：文本图片=音频视频，其机器对内容 识别难易度恰好相反：文本图片=音频视频）而纯人工筛选又会受审美差异等主观因素 的影响难易做到公平公正。 “人工筛选”的方式无需多说，而对于机器筛选优质内容，在筛选之前要做好充分的数 据收集及上报，只有数据维度足够充分，才能为筛选做保证。拿音乐app 软件举例 “如何 评判一首普通歌曲的质量好坏”如下图所示： 除了歌曲本身作为内容的形式之外，更是链接 “内容生产者”和 “内容消费者”之间的纽 带，所以数据的收集除了歌曲本身的属性之外（例如：音频长度、kpbs、格式、文件大 小….等等）之外，也要从生产者的用户属性（PGC/UGC，年龄，地域，性别，个人爱好…. 等等）、发布行为（上传歌曲的时间、上传歌曲的频次….等等）和消费者的用户属性 （性别、年龄、职业、地域、注册时间….等等）、浏览行为（点击、播放、重复播放次 数）等多维度评价一首歌曲的质量。不同app 对于内容的质量评估数据指标不同，需结合 实际情况具体分析，此处不再一一详细列举各个数据指标。对于歌曲而言，最终要的几个 指标无非是：曝光点击比、播放完整度、评论、分享、收藏率…等等等等等等 此处对内容质量的动态评级，还可以利用对生产者评级和消费者评级的方式来判断，各个 等级之间有着严格的标准划分（此处不详述分级的方法，具体情况具体制定），用户的评 级随自身行为动态调整（等级正反馈、负反馈机制）。不同等级的用户生产和消费行为， 对内容评级的影响不同，越优质的用户其行为对内容质量的影响越大。 说完内容质量的评级，之后就是对内容的聚类。还拿音乐举例，音乐本身并无任何分类， 对于一首歌曲而言无非是多个音符的连续演奏。我们凭借自己的生活经验和认知对歌曲进 行分门别类：欧美音乐/港台音乐/内地音乐…、摇滚/流行/蓝调…、抒情/狂欢/悲伤….、 钢琴曲/小提琴/吉他曲。此处对内容聚类的方法应遵循 “相互独立、完全穷尽”的原则即 不同划分维度之间要相互独立，互无交叉，而每个维度里划分又要尽可能细化到最小的颗 粒度。 除了内容聚类的方法，内容的聚类的流程，同样的，可以采取人工和机器结合的方式，其 大体流程如下图所示： 内容生产者，在上传内容时，对内容进行分类、设定内容标签。其内容进入后台首先按照 用户上传时的分类进行筛选，之后由审核人员对其标签进行走查，将无分类的内容进行分 类，同时对错误分类进行修正（此时所有审核人员的操作结果，系统都应该给生产者发送 信息提示其内容被修改，优化上传流程）。所有人工审核后的内容库里的内容作为最终对 外分发的结果，在前端对外分发。 至此，我们已经完成了对优质内容的筛选和对内容的聚类。那谁来消费我们的内容呢，谁 来为我们的内容买单，我们的用户群是谁，他们来自哪？是男