（一）什么是信息流产品

当下，信息流（资讯）和短视频是唯一两个在用户领域保持好的增长事态的细分行业。像其他比较成熟的互联网细分行业，比如说移动社交，电商，OTO这个细分行业，用户已经饱和了，用户增长比较缓慢，而短视频以及信息流是一个很迅猛的用户增长的势头。

信息流产品是一个非常好的用作商业变现的产品形态。

1. 信息流产品的特点

信息流产品
- 在合适的场景下，为用户提供合适的内容
- 适合手机屏幕，手指上下滑动，如水流般源源不断
- 数据量足够大，能够不断刷出新内容

2. 对用户价值

从用户层面讲，信息流产品对于用户价值，主要体现在下面四个方面

便捷阅读
- 相对于传统的书籍，杂志，信息流产品会是一个便捷的阅读方式
海量信息
新鲜及时
个人兴趣

3. 商业上的价值

商业上的价值就是信息流广告
信息流广告是一种很高效的变现模式

就像曾经的搜索广告，信息流广告已经成为用户接受的、高效变现模式

今日头条 DAU（日活）超过1.2 亿，人均时长70分钟+，年均广告营收150亿+；
网易DAU超过2千万，人均时长40分钟+，年均广告营收50亿+；

（二）如何推荐内容

信息流产品的本质是推荐内容，那怎么样推荐内容呢？

1. 推荐内容的两种方法

一种是人工运营的方法，人工去筛选一套人工的经验去对新闻价值做出判断；另外一种就是依靠机器，依靠算法去做推荐，这两种推荐内容的方法各有优劣。

2.为什么要用算法

大数据时代，每天更新的内容是海量的。而人工运营，往往局限于热点内容，就像是冰山一角。冰山之下，是大量的长尾、冷门的内容，必须依赖机器算法做个性化推荐。

3. 推荐系统框架

理论上的简化框架
推荐系统实操

我们会有合作伙伴（Partner）,也会有爬虫（Crawler）,我们通过爬虫或者是合作伙伴会把我们的数据抓到我们的库里，大概库里每天文章的更新会在 20 万左右，文章入库之后，我们通过 Content Parser（分词提取器）会对文章做一些语义分析、文本分析去生成一些文章相关的标签或者类型等一些特征，通过过滤之后，我们会把这些数据放在 Feeder 的数据库。Feeder 一方面与这个Feature Server 相交互，会把数据传递到 index（用户兴趣索引）。用户会根据会话的行为，会做一些记录和上报，同时会把这些数据（Session Server）同步更新到用户索引上。Index 之后的召回（Recall）,对于一个用户来讲，我们第一次召回，会召回 2000 篇文章左右。这 2000 篇文章的来源一个是CF（协同过滤），CF又来源于 ItemCF 就是基于内容的相似度（我之前看过一篇文章，我会推一个跟之前文章相似的文章，就是基于文章相似度做一个推荐），UserCF就是基于用户相似度的协同过滤，就是通过计算，找出用户跟另外一个人类似，然后就会把另一个人看过的文章和感兴趣的内容也推给这个用户。另外还有一种召回内容的方式叫 CB 就是基于内容本身，比如说这篇文章是体育，那这篇文章就会推送给有体育标签的用户。比如说一篇文章有关键字，有科比，那就会推荐给带有科比标签的用户。NH 就是在当前系统里比较热门的文章，那我们怎么判断那些是热门的文章呢，首先是依据 action 就是行为，因为每篇文章可以会被用户阅读，被用户点赞，被用户评论，被用户分享，我们还会制定一些权重，那我们对这些行为做一个分析，我们可以判断这个文章是一个热门文章。那我们这些热门文章在召回的时候，也会基于 User Profile（用户属性）比如说性别属性、地区属性等，我们也不会乱推，尽管它是热门文章，我们也要考虑人群的定向化；Time 就是任何热门的东西，都有时间衰减性。
下面说 Rank 这个模块，就是排序的模块。这个模块我们会说从刚刚 2000 篇的文章里筛选出 200 篇文章，并且对这 200 篇文章进行排序。那我们这 200 篇文章是怎么排序的呢？我们会对这 200 篇文章进行 CTR 的预估，以及阅读时长的预估。为什么不只做 CTR 的预估，就是系统要避免“标题档”的存在。从这200篇文章里，最后到 Rerank 的模块，就是从 200 篇文章里审出 15 篇文章。我们用贝叶斯的方法对这个15篇，主要要增加文章的多样性，我们要把同类推荐的文章打散；Fix 就是在这15 篇文章里增加探索性的内容，我们不希望让用户的标签固化，就是一个用户打上了体育标签，我们不希望这个用户永远会是这个标签，我们偶尔也会加 5%-10% 左右的探索性的内容。

（三）推荐质量的评估

1. 流量该如何分配

70% 的流量分配给稳定模型
30% 的流量分配给实验模型
- 10% 实验模型A
- 10% 实验模型B
- 10% 实验模型C

2. 实验模型的评测指标

准确率
- 推荐列表里，多少比例的文章，是用户读过的；
召回率
- 推荐列表中，用户度过的文章，占用户阅读记录的比例
覆盖率
- 推荐列表的文章里，占文章总数的比例

举例：文章总量为100，用户实际看了10篇文章，最终实验模型推荐了20篇文章，用户看过的有8篇，准确率为40%，召回率为80%，覆盖率为20%；

3. 实际业务中关注的算法效果

UV 转化率
- 阅读UV/曝光UV，反映多少比例的曝光用户转化为阅读用户
PV 转化率
- 阅读PV/曝光PV，反映文章的平均转化情况
人均篇数
- 阅读PV/阅读UV，反映内容消费深度
人均阅读时长
- 阅读总时长/阅读UV，反映内容消费深度

信息流产品和内容推荐算法相关推荐

基于内容推荐算法实现原理
本文会从什么是基于内容的推荐算法.算法基本原理.应用场景.基于内容的推荐算法的优缺点.算法落地需要关注的点等5个方面来讲解. 1.什么是基于内容的推荐算法所谓基于内容的推荐算法(Content-Ba ...
如何使用Spring+SpringMVC+Mybatis开发实现个性化小说推荐系统协同过滤推荐算法实现基于用户、项目的协同过滤推荐基于聚类、关联规则、内容推荐算法 WebNovelCFRS
如何使用Spring+SpringMVC+Mybatis开发实现个性化小说推荐系统协同过滤推荐算法实现基于用户.项目的协同过滤推荐基于聚类.关联规则.内容推荐算法 WebNovelCFRS 一. ...
基于机器学习的内容推荐算法及其心理学、社会学影响闲谈
基于机器学习的内容推荐算法目前在各类内容类APP中使用的非常普遍.在购物.时尚.新闻咨询.学习等领域,根据用户的喜好,进行较为精准的用户画像与内容推荐.此类算法不但可以较为准确的分析用户的特征,如年龄 ...
基于内容推荐算法的电影推荐系统
基于内容的推荐算法格局用户过去一段时间内喜欢的物品,以及由此推算出来用户偏好,为用户推荐相似物品.其中的"内容"指的便是:用户过去一段时间内喜欢的物品,以及由此推算出来的用户偏好 ...
协同过滤推荐算法和基于内容推荐算法的区别？
文章最前: 我是Octopus,这个名字来源于我的中文名--章鱼:我热爱编程.热爱算法.热爱开源.所有源码在我的个人github :这博客是记录我学习的点点滴滴,如果您对 Python.Java.AI ...
内容推荐算法简单实现（余弦公式）
内容推荐算法简单实现(针对阅读网站为用户推荐书籍) 目标是最终获取一个书籍/类型的表格(二维),一个某用户对于每个类型的评分(该评分是处理过的,具体见"注")表格(一维).现在取出 ...
全面揭秘快手与抖音的内容推荐算法
快抖的视频内容分为推荐(发现).附近(同城)和关注三个模块,这里主要说明推荐模块的算法机制. 视频与用户画像的匹配程度热度(赞.评论.转发等) 发布时间根据用户数据和内容标签计算两者的匹配程度,是 ...
基于内容推荐算法html,基于内容的互联网推荐算法
摘要本文介B了网络推荐的算法思想.帮助读者了解这个研究领域.在介绍了推荐系统的概念和定义之后,重点介绍了基于内容的互联网推荐算法. 关键词推荐系统推荐算法互联网中图分类号:TP391.3 ...
机器学习模型知乎_算法有没有价值观？知乎内容推荐算法解析
[IT168 技术]今年,我们已经听到了多家内容平台整改的消息,对于标题党.蹭热点等行为,用户早已经见怪不怪.同样是知识分享平台,知乎倒是躲过了每一次整改,肯定有人会说是幸运,也肯定有人会从理性的角度 ...

信息流产品和内容推荐算法