起点课堂会员权益
职业体系课特权
线下行业大会特权
个人IP打造特权
30+门专项技能课
1300+专题课程
12场职场软技能直播
12场求职辅导直播
12场专业技能直播
会员专属社群
荣耀标识关于新闻个性化推荐你不能不知道的4个部分
本文从内容画像、用户画像、召回和排序、推荐策略四方面分析了新闻的个性化推荐机制。
关于个性化推荐，我的理解是：按照每个人的喜好，在合适的时间、合适的场景、把合适的内容以合适的形式呈现在用户面前，满足用户的需求。那么这里就涉及到了三部分，用户——算法和策略——内容。
下图是一个简单的新闻推荐组成部分：
新闻推荐简图
我们的“人”和“物”都是复杂的，需要用我们理解的符号去把他们描绘出来，让我们的程序理解。
一、内容画像
1.1 新闻文章来源
做新闻，我们首先要有文章源。文章的来源，一般有三部分：
- 机器在各个资讯网站抓来的文章。
- 公司编辑自己写的文章。
- 入驻作者写的文章。
1.2 内容分类体系介绍
有了文章，我们需要把文章分门别类的放在一个内容池子里。
那么该如何分门别类呢？这里就涉及到了内容分类体系。
在我们逛淘宝的时候，会有各种物品的分类，比如家居，比如图书，比如衣服。
同样的，文章也会有分类。当我们打开一个资讯app，比如头条吧，就可以看到导航栏有：“军事”“历史”“时政”等等。
京东和头条的前台分类
这是我们在前台可见的，其实在它的背后，有一套庞大的分类体系，下面我们来说一下。
分类体系一般有三种形式：结构化，半结构化，非结构化。
- 结构化的分类：层级分明，有父子关系，分类间相互独立，比如科技-互联网-人工智能。
- 半结构化的分类：具有结构化的形式，同时也有一些不成体系的分类，我认为知识图谱算是一种半结构化的分类体系。
- 非结构化的分类：分类比较灵活，没有明确的父子关系，如独立的关键词标签。
结构化分类体系
知识图谱
1.3 常见问题和分类原则
- 一级分类=二级分类的情况：如美食，宠物的一级二级分类名称相同。
- 二级分类不够全或分的较粗：如历史被分为“古代史，近代史，现代史”。
- 一些分类较杂：如“科学探索”分类下可能各种内容都有。
- 一些二级分类归属不够合适：在有一级分类“职场”的情况下，“职业培训”被放在了“教育”。
- 一些文章没有好的归属，如办公软件的学习类文章没有归属。
- 人工智能分类下的文章有一些是玩偶。
在做分类的时候我们会遵循一些原则，这里我来说一下结构化分类体系搭建的原则。
- 相互独立：各分类间内涵应当相互独立。
- 完全穷尽：各分类应当完全穷尽列举，下一级分类可以组成上一级分类的全集。
- 命名应当短小易懂。
- 命名应当准确无歧义。
- 命名具有内容代表性。
- 分类粒度应当适合，不能较粗或较细。
- 每个分类下三级分类不能过于庞大。
- 释义应当相对简单明了，不应长篇大论太过专业。应当从c端用户角度考虑，使标注的人可以一下子理解分类的内涵，而非必须具有专业知识才可分辨，否则不符合用户思维习惯。
1.4 构建分类体系
那么接下来我们该如何去做分类体系呢？有两个思路：
1）让程序根据站内用户浏览记录，抓取出浏览比较多的一些关键词，我们按照这些关键词去整合分类。
但从实际操作来看，用户的兴趣分层是：（一二三级）分类——主题——兴趣点——关键词的层级，
举个例子：科技（一级）——互联网（二级）——人工智能（三级）——智能办公（主题topic）——语音助手（兴趣点poi）——小爱（关键词）
如果我们根据关键词往上汇合分类，会比较难实施。
2）人为的定义出一二三级分类。具体操作步骤如下：
- 了解每个一级分类内涵，查阅大量相关网站，如搜索历史垂类网站，查看网站内容和分类。②根据网站分类，逐一列举，从日常用户兴趣角度出发列举三级分类粒度的分类词。
- 从三级分类合并二级，以及从二级分类拆分三级分类双向进行整理。
- 对分类给出释义和边界，以便标注人员区分。
那么我们如何保证三级分类下的文章充足？以及如何保证人工分类的准确性呢？
我们采取了两个措施：
- 针对问题1：我们把三级分类词，如“人工智能”放到研发的文章召回系统，进行搜索——可以看到以“人工智能”为关键词可以召回的文章内容及数量，以此来判断此三级分类是否文章充足，进行调整。
- 针对问题2：因为一部分的文章首先要经过标注团队的人工标注，在标注的时候，标注员会反馈具体某个三级分类存在的问题以及不合理性。此环节产品，运营，编辑都会介入，对于不合适的三级分类会进行修改。
1.5 人工标注和机器学习
当分类体系完成后，接下来是标注环节。
标注团队标注一定数量的文章，算法团队的工程师会用算法对人工标注的样本，进行有监督的机器学习，把剩余的文章用程序给它标上对应的分类。
负责这部分工作的工程师，会用多种方法来对文章进行机器学习，比如有ABC三种。用三种方法对新的文章样本进行分类。
然后让标注员对算法标分类的文章进行校验，从而得出三种方法为文章分类的准确性，公式如下：
标注员分类和机器分类相同的文章数量/总的文章数量=机器标注准确率
之后算法工程师会对标注不准确的文章继续进行学习，不停的迭代优化算法。
针对外部抓取的文章，算法工程师也会用这套方法对他们标记分类。到这里，我们的文章就可以分门别类的被放在内容池的不同地方了。
二、用户画像
2.1 什么是用户画像
当有了内容的画像，我们也需要用户的画像。那什么是用户画像呢，我认为是对用户这个客观实体的描募。
比如我对自己进行一个总结：男，175cm，65千克，产品经理，26岁，月薪25k，无车……等等。
这就是我的用户画像。
那么为什么做推荐需要用户画像呢？
是因为只有当我们了解了一个人，才能把她最想要的给她。
用户画像
2.2 用户画像要基于业务存在
做用户画像第一步要基于业务，也就是说用户画像是要对具体业务场景来服务的。
比如个性化推荐，精准营销，数据分析，活动运营等等。
所以第一步需要了解业务场景以及各岗位的同事对画像的需求。
2.3 搭建用户画像体系
在了解之后，我们会开始搭建画像特征的体系，这里说明一下，特征是一点点获取、建立和利用的；但特征体系在一开始需要搭建出来，尽可能的囊括各业务场景的需要。
虽然某些特征可能在初始阶段还没有建立，但需要根据业务需求先列举出来；以便在做画像平台功能框架搭建的时候，不会因为没考虑到某类特征，而使后期画像平台的功能框架无法兼容。
以下我从：基本信息、兴趣爱好、行为特征、社交和心理、消费与模型这5个方面做了一个简单的新闻资讯用户画像体系。
一般来说在建立特征体系的时候，应该包含以下表头：一级特征分类、二级特征分类、特征描述、特征字段、特征值类型、特征来源、特征时效、最近更新内容、特征示例。
资讯用户画像体系
2.4 画像特征介绍
用户画像主要有两块：事实特征和模型特征。
事实特征是用户的基本信息，以及他在app内产生的行为：如用户的设备信息，地理位置，主动填写的性别，年龄，以及在客户端浏览文章中产生的点击行为等等。
模型特征是我们基于用户的事实特征，制定一些规则建立的：如用户流失等级，用户消费等级，用户满意度等。
从时效性上来划分，画像特征分为长期，短期，实时。
长期特征如：用户基本信息里面的一部分特征，性别，年龄，生日，账号，设备等等。
短期特征如：用户的兴趣爱好和行为特征，当然这里要说明用户的兴趣爱好也分为长期和短期，但这个是相对的，兴趣爱好仍然被我放在短期特征内。
实时特征如：用户的实时地理位置，实时网络状态等等
2.5 画像特征获取
那么画像的特征数据要怎么获取呢？
①事实特征里的一部分，是我们通过用户主动填写或埋点来获得的，比如用户主动填写的性别，比如埋点获得的用户浏览时长。
②另一部分是根据业务指标来对事实特征进行复合计算，如：用户文章平均阅读时长=用户阅读的总时长/用户阅读的总文章数。
如果用户没有填写某些信息，或者我们获取不到怎么办呀？
一般我们有两种方式：
- 引入第三方数据补全用户画像特征。
- 算法工程师会把填写了性别的用户作为样本，按照男女分别进行有监督的机器学习，从而对性别特征不完整的用户进行模型训练，得出这部分用户的性别，但这里是一个概率值，比如A用户性别：男70%，女30%。
说完了事实特征，我们来说模型特征。
模型特征则需要我们去制定一些规则，为我们的业务场景服务，比如用户流失等级，运营可以针对不同流失等级的用户上不同的运营策略。我们规定：
- 3天未打开新闻客户端的用户，流失等级为A；
- 7天未打开新闻客户端的用户，流失等级为B；
- 15天未打开新闻客户端的用户，流失等级为C；
- 30天未打开新闻客户端的用户，流失等级为D；
- 60天未打开新闻客户端的用户，流失等级为E；
- 90天未打开新闻客户端的用户，流失等级为F（流失了）。
2.6 用户画像平台
搭建好用户画像特征体系之后，我们需要有个可视化的平台，用户画像平台。在功能上一般应分为四部分。
- 群体画像：我们可以通过特征圈选人群。比如用性别这个特征，分男女去看，不同的用户群体，喜好的文章一级分类有什么区别。
- 单用户画像：当我们输入用户的id，可以看到这个用户所有特征的详细信息，同时也需要有个用户画像丰满度的总评分。
- 场景赋能：比如我们可以圈选一部分目标用户，对他们进行广告投放，看这批用户后期在每一个环节的转化。
- 权限和特征管理：画像平台应当对不同岗位的员工设置不同的权限，同时也需要对用户画像的特征进行管理，支持增删改查的操作。
三、召回和排序
3.1 什么是召回
首先我来解释一下什么是召回，通俗易懂的理解就是：根据用户的一些“条件”把符合这些“条件”的文章从广阔的内容池里召唤出来，放到一个小的池子里。
3.2 文章的信息抽取
在召回前我们会做一些准备工作。
第一步是信息的抽取，文章是由html语言编写的，有<title>有<head>有<body>，是成对出现的，都是半结构化的数据。
程序对文章进行信息抽取的时候，也是按照这样的结构，用深度优先遍历，按照栈结构先进后出的特点来抽取的。
深度优先遍历这里我来说一下，如果是学计算机的同学，在《数据结构》这门课程中会学到。
如下图是一个树结构，我们需要把每个节点都走一遍，“深度优先”顾名思义就是纵向最深，那么我们按照从左到右深度优先的规则，走一遍。
得出的顺序就是：A-B-E-F-C-G-D-H-I。
那么为什么抽取文章信息的时候，要用深度优先遍历呢？
就是因为上文提到的文章的结构是有标题有正文，在html语言中代表标题和正文的标识在每个部分的前后出现，相互一层层嵌套，采用深度优先遍历，抽取出的信息结构不会混乱。
树
抽取后，程序需要识别出哪些是正文，哪些是广告。对于我们人来说，可以轻易辨别；但是对于程序而言，需要一些规则去让程序识别出来——
比如我们用投票方法来对文章文本块进行打分。
规定文本块的位置：在页面中间的为3分，在页面左右两端的为1分，在页面底部的为2分。
再比如我们规定文本块的长度：不同的长度给不同的分值。
3.3 文章的分词
抽取信息之后，我们要对文章内容进行分词，对于我们人来说，我们可以根据学习经验对文本进行断句，但机器却并不知道。
所以这里我们也有一些方法，下面来介绍3种。
1）字典-最大前缀
首先我们有一个字典集，这个里面包含我们所有的词语，当机器“读”一句话的时候，例如“个性化推荐真好玩”
按照字典里面存在的词语去从左到右进行匹配，“个性”是一个词，做个记录，继续往下。“个性化”又是一个词，再做个记录。“个性化推”不是一个词语，继续向下“个性化推荐”是一个词语。
直到找到最大的词组。
2）N-gram分词
这个N代表的就是对这句话用几个字去拆分，比如N=3，原句就会被拆分为“个性化”“性化推”“化推荐”……。
3）基于统计学的分词
如贝叶斯，根据语料库的历史信息，分析当一个汉字出现时，另一个汉字出现在它后面的概率，从而进行分词。
字典-最大前缀树
贝叶斯公式
3.4 文章的过滤与排重
分词后我们会进行一波过滤：敏感词过滤、低质过滤、排重。
敏感词过滤：会根据既定的一些敏感词列表，把包含这些敏感词的文章过滤掉。
低质过滤：会根据机器学习的历史低质文章算法，加标注人员标注的低质文章，对文章进行过滤。
排重：这里要对相似度较高的文章进行去重。我们来介绍两种方法：
1）I-Match算法
假设有A和B两篇文章，分词后，我们首先统计出两篇文章的高频，中频，低频词。去掉高频和低频词。比较A和B两篇文章中频词汇表的相似度，卡一个相似度的阈值。
2）Shingle算法
假设有A和B两篇文章，A是：我困了晚安我睡了，B是：我累了晚安我睡了。
shingle会把A文章拆分为“我困了，困了晚，了晚安，晚安我，安我睡，我睡了。”；B文章拆为“我累了，累了晚，了晚安，晚安我，安我睡，我睡了。”
两篇文章的相似度=重复词汇量/（A文词汇量+B文词汇量-重复词汇量）=4/（6+6-4）=50%，卡一个相似度的阈值。
对相似度达到阈值的文章进行过滤，仅留一篇，比如按照发表的先后顺序留，或者按照文章质量的判定留等等。
3.5 文章的召回
召回
1）基于人口属性的召回。
如根据用户的地理位置召回的文章。
2）基于用户兴趣的召回
如根据用户对各分类文章的兴趣程度进行召回。举个例子：我们选取用户近7天内点击的文章所属的三级分类下的文章，按照当下点击数由高到低的选取30篇文章进入这路召回的集合。
3）基于用户行为特征的召回
如根据用户在站内的行为特征来进行召回。举个例子：我们规定用户对文章有以下行为就代表了用户的行为特征，对某篇文章点赞（1分），评论（2分），转发（3分）。
我们选取出这个用户近7天内，得分最高的5篇文章，所在的三级分类下的30篇新文章，进入这路召回的集合。
4）基于协同的召回。
空间向量模型在说协同之前，我们先介绍一个空间向量模型。
我们把每个用户表达成了一个个的标签特征，我们想象每个标签就是一个坐标轴，每个特征的分值，就是这个特征在坐标轴上的长度。这样我们可以在一个多维坐标轴上，用一个向量来描述一个用户，代表不同用户的两个向量的夹角越小，就表示两个用户越相似。
两篇不同文章的相似度计算也是一样。具体的公式如下：
余弦相似度公式
协同
1）基于用户的协同
比如A用户和B用户向量化后很相似，那么我们认为B用户喜欢的东西，A用户也会喜欢，于是我们把B用户喜欢的东西推荐给了A用户。
2）基于内容的协同
比如A用户喜欢甲文章，甲乙文章向量化后很相似，那么我们认为乙文章A用户也会喜欢，于是我们把乙文章推荐给了A用户。
3）基于整体的协同
比如有ABC三个用户，A用户喜欢甲乙文章，B用户喜欢甲乙丙文章，C用户喜欢甲文章，于是我们认为喜欢甲文章的用户都会喜欢乙文章，于是把乙文章推荐给了C用户。
3.6 文章的排序
每路召回形成的是一个基于每个用户的文章集合，我们需要把多路集合作为输入集灌入到我们的排序模型中。
排序模型会通过模型对用户和文章的众多特征，每个特征的权重进行计算。
常用的排序模型有：LR（逻辑回归），GBDT（决策树），FM（因子分解机）等以及他们的复合变种。
经过排序之后，对于每个用户，会输出一个新闻的信息流按照排序的规则（由高到低）。
四、推荐策略
下面我们来说一下重排序，也就是上产品策略的阶段。
4.1 常见策略
我接触过的部分策略如下：
- 新用户兴趣试探策略
- 兴趣打散策略
- 本地化推荐
- 网络状态推荐
- 分时段推荐策略
- 搜索行为策略
- 负反馈策略
- 分场景策略
- 热点事件策略
- 通勤场景策略
- 季节性策略
- 流失召回策略
4.2 策略的目标
在工作中，我们都会有一个目标，为一个目标服务。比如：新闻的个性化推荐看重，uv点击率，次日留存率，用户的平均阅读时长等。
对于新用户来说：我的理解是要尽快发现他们的兴趣，把他们留下来，然后提升点击。
对于老用户来说：我的理解是要发掘他们更多的兴趣，提升他们的点击和阅读时长，减少流失。
4.3 策略案例
这里来分享1个案例：分网络状态推荐策略。
需要说明的是：这里只进行思路简述，实际策略方案会比这个更加严谨和复杂。
4.3.1 猜想与调研
猜想
从实际体验出发，当我们在无线网络下，会更肆无忌惮的去点视频图文观看，而在有线环境下会更少一些。
如果用户的行为符合这个猜想，那么在不同的网络状态调整不同类型文章的占比，可以提升用户的点击。
调研
为了验证这个猜想，我们可以做一个竞品调研。比如我们的新闻客户端是A，调研BCD三家新闻客户端在有线和无线状态下，前100条资讯，首页信息流中纯视频的数量（广告除外）
假设我们得到的结果如下图。我们发现竞品确实也做了这样的策略，那么我们需要做个ABtest来看下效果：
4.3.2 实验设计
1）网络状态：
实验组和对照组按照要求处在不同网络状态下。
2）人群划分：
圈选20w人群，多维度均匀选取等量分为4组，使4组用户同质。
3）变量控制：
只有首页信息流视频出现的比例不同这一个变量。
4）用户要求：
每个组的5w用户，只有当此用户当日有分别在有线和无线网络下浏览新闻的行为，才会被计入统计。
对照组1：5w用户保持线上逻辑，有线和无线网络状态，首页信息流推荐视频比例相等。
对照组2：5w用户保持线上逻辑，有线和无线网络状态，首页信息流推荐视频比例相等。
（说明：AAtest，保证实验组和对照组的变化，不是由于人群包切分或其他因素造成不同。）
实验组1：5w用户在无线网络下推荐视频比例与对照组相同，有线网络状态下首页信息流降低5%比例的视频。
实验组2：5w用户在无线网络下推荐视频比例与对照组相同，有线网络状态下首页信息流降低10%比例的视频。
实验组3：5w用户在无线网络下推荐视频比例与对照组相同，有线网络状态下首页信息流降低15%比例的视频。
4.3.3 实验结果评估
1）观测指标
各个分组（按日）：人均曝光量，人均点击量，人均点击率，人均阅读时长，次日留存率等。
2）实验数据观测
亲自体验线上情况，同时观测每个对照组和实验组的数据表现。
3）策略复盘
实验设计是否合理，是否引入了其他变量，策略是否在线上生效，数据是否符合预期，用户对此需求的真伪，策略总结。
#专栏作家#
大鹏，公众号：一个数据人的自留地。人人都是产品经理专栏作家《数据产品经理修炼手册》作者。
本文原创发布于人人都是产品经理。未经许可，禁止转载
题图来自Unsplash，基于CC0协议
系统而通俗
谢谢大神