做推荐是有套路的。本文根据在国际短视频业务的经验，总结一些个人的思考。本文不涉及具体算法。 1. 推荐的本质是什么？ 是内容和数据。 内容就是你要提供给用户的东西，例如你的视频库，UGC、PGC什么的。用户最根本的目的还是消费优质内容。没有好的内容库，是推不出东西的。 数据指的是用户的行为数据。没米是做不了饭的，没有数据任何算法都是走不通的。很多高大上的词，用户画像什么的，本质上都是对用户行为数据的抽象而已。另外，给内容打标签、打质量系数分也可以用用户行为数据。 推荐的本质，就是根据用户行为数据，提供更满足用户的内容。 2. 一个怎样的产品才能做推荐？ 在我看来，至少包括两个要素： 1）足够大量的内容和数据 内容不够多的话，做榜单就行了，做个毛线推荐。 数据不够大的话，再好的算法训练出来都一坨翔。 做推荐准入门槛很高，是个贵族游戏。 2）产品形态有推荐的原动力 什么意思呢？一言难尽。 产品经理喜欢拷问一些诸如“为什么要做推荐？做推荐对产品有啥用？是不是有些用户不喜欢推荐”之类的问题，在我看来这是蛋疼问题，推得好数据一定会更好，问题就是 你的产品未必能推得好啊。 推荐应该是个研发主导的事情，首先要拷问的是这个产品的数据流是否能否支撑某种推荐模型，要拿什么、怎么训练、出些啥、可以干啥。如果数据流最多做做协同，那硬要做feed流一定会死很惨。 满足有推荐的原动力的产品，这里举几个例子： 1）用户帮你打标签，例如知乎、网易云音乐。形成这样的产品形态不容易。 2）搜索渗透高的产品很适合做推荐，搜索是挖掘推荐数据的大金矿。 3）外部数据（如爬虫）能起很大作用的产品，例如各种图文信息流产品。 一个产品纯靠推荐来运作是很难的，往往是搜索、分类、榜单、用户、外部数据等所有加起来给推荐提供训练数据。大中台战略，倒是让许多本来不好做推荐的产品也能给你推了。 3. 推荐的大套路 1）收集数据 收集数据永远是第一步。需要了解手中的数据是怎么来的，到底是用户干了啥产生的。并且最好建立感性的认知，这样对后续的ETL、算法选择、调参、模型解释等各个环节都有很大帮助。 2）建立指标 一定要先建指标，否则是没办法验证推荐效果的。常见的有CTR、PV、UV、人均等，结合自己产品形态来设计。 3）实现推荐流程 到这里才是算法选择和工程实现。一般来说，能做推荐的产品规模都不会太小，所以会遇到各种高并发、分布式存储与计算等工程问题。 推荐算法只是推荐整个流程的一个小块，做推荐的往往需要算法、大数据、数据分析、产品思维等多种能力，非常苛刻。 4）不断地优化 就是不停地ABTest、调参、更新策略、更新算法，一步一步提高指标。 4. 推荐的小套路 @海洪 传授的秘诀是四个字， 热推多补。 热指的是榜单内容，多用于冷启动。 推指根据短期、实时反馈的数据进行的即时推荐，效果最显著。 多指多样性，不能老是推用户爱看的，这样会收敛。你永远需要补充一些用户没看过的来让用户发现新的大陆。 补指补充，指的是根据长期数据、近线计算的用户画像推荐的内容，可以起到良好的补充作用。 以热推多补作为指导思想，建立推荐模型、推荐策略。