编辑导读：提起社交推荐这个词，很多人可能都觉得很陌生。社交推荐是基于用户社交网络的一种算法推荐模式，本文作者从社交推荐的定义出发，结合从精准度、与算法推荐的关系和隐私边界这三个方面对社交推荐展开了深入分析，并对其实用性进行了讨论，与大家分享。

01  什么是社交推荐？

所谓社交推荐到底是什么？当我想认真思考这个问题的时候，我发现我根本没法从一个很好的点切入并给出准确的定义，于是我开始以关键词“社交推荐”为query进行搜索，但是无论是百度，还是谷歌，并没有给出对应的答案。

我不仅开始迷惑，所谓的社交推荐，是不是又是互联网的一次无意义造词？

既然没有找到权威定义，那们就从自身理解出发，我对社交推荐的看法，主要有三点：

1. 社交推荐的中心思想在于我会对信任/亲密的人推荐的内容/物品更感兴趣；
2. 社交推荐与算法推荐是对立存在的，社交推荐不是算法推荐；
3. 社交推荐的依据是用户关系链对内容/物品的喜恶；

尽管有了这三点认知，我大致能够理解社交推荐存在的价值与意义，但有几个方面，我仍然存在疑虑。

02 关于社交推荐的一些疑虑

1. 社交推荐的精确度问题

关于这一点，可能有些难以理解，我尝试描述一下，大体是这样的：

A对B的主动推荐，一定综合了A自己对于B的理解，进行了一道信息筛选，且是点对点的推荐。在社交推荐中，A推荐的发出是难以预设接收对象是谁的，而接收者往往是被动接收A的推荐信息，如果说A主动推荐B，准确度是70%，而社交推荐中，A有十个好友接收到该推荐，那推荐的准确度就只有7%，而实际上，现代社会中很多用户的好友数一定是远大于这个数的。

总结一下：

• 社交推荐熟悉的人“信息筛选”因为推荐面的扩大导致不置信；
• 社交推荐中推荐是点对面/面对面的推荐，准确度较之点对点推荐差很多；

当然，我们可以通过分析推荐内容对于B的适合程度，在推荐中，选择性进行展现，但这种社交推荐，掺杂了算法推荐，还算是社交推荐吗？

即使这依然算是社交推荐，A的推荐这一步骤，是否能起到强有力的信息除噪，我个人也是打一个大大的问号。

2. 社交推荐与算法推荐的关系

如果按照最简单的社交推荐来理解，最核心的两条原则应该是：

1. 我的好友A喜欢X，我和A关系密切，我大概率喜欢X；
2. 我很多好友喜欢X，我大概率喜欢X；

这两条原则指导下，社交推荐的后置工作就分为两块：

1. 测算我和好友A的关系密度（这涉及到用户画像与交互行为的分析），可能还需要分垂类来分析，因为即使好友也不会在各个维度兴趣偏好一致；
2. 测算好友对于X的推荐的置信度，不同好友不同权重，不同推荐行为不同权重；

而算法推荐呢？

我们知道算法推荐主要有五种：协同过滤推荐、基于内容的推荐、基于关联规则的推荐、基于流行度推荐算法、混合推荐，而其中协同过滤推荐算法主要是分为UserCF（User Based Collaborative Filtering）和ItemCF（Item Collaboration Filter）。

等一下，我嗅到了一丝不对的气息，UserCF是不是就是我们上面谈到的社交推荐？

而这就存在悖论了，如果我认为社交推荐是与算法紧密相连，那它就越来越趋向于UserCF，这是个老玩意，有利有弊。

而如果把社交推荐中算法的刨除，通过“关系链推荐+复杂规则”来理解的话，其准确率上限是极低的。

3. 社交推荐的隐私边界

除了上述问题之外，还有一个问题始终困扰着我，那就是社交推荐如何解除隐私边界问题。

看一看中“朋友在看”和“精选”社交推荐形式

就拿微信来说，我们理解的社交推荐经典使用场景在“看一看”、“视频号”两个模块。

在看一看中，“朋友在看”中能看到每个好友的推荐，如果朋友写了评论的话，还可以看到这一条评论，而在“精选”中，除了算法推荐内容，社交推荐体现在“朋友都看过”这个tag，我们发现看一看对于社交推荐的运用是较为克制的。

因为用户在浏览公众号内容的时候，如果不想自己的互动行为被展现，可以只点赞or收藏，在“精选”中，则是对社交推荐的深层运用，模糊个体的推荐行为，而从群体着手来进行推荐。

视频号中好友推荐的展现

而在视频号中，这一运用就显得更重的，所有的互动行为都是外展可见的，从推荐者的角度他的行为是点对面的，相比于点对点推荐，压力更大，类似于朋友圈点赞，甚至更加不可控。

这种形式的社交推荐一定是不优雅的，而去除掉推荐人信息的模糊推荐（类似看一看“精选”），缺少了确定的信息背书，对于用户点击意愿的提升究竟有多大呢？

03 社交推荐完全无用吗？

看了前面我对社交推荐的一通质疑，或许大家会认为我对社交推荐是持极大抵触与反对态度的，但实际上并不是。我非常赞同社交推荐的理解，也认为相较于算法推荐，其具有非常强的不可或缺性。

1. 社交推荐具有很强的可解释性，更容易建立信任

算法推荐一切都非常好，就是缺少可解释性，因为说到底，利用用户画像、交互行为作为输入，通过算法黑盒来出的推荐结果，连推荐产品经理都很难说清楚某条内容/物品是如何被推荐的，从用户角度来说就更加难以理解了。

不可解释性又回来信任危机，用户对于算法推荐的内容是具有警惕心的，人对于未知总是恐惧，“总有刁民来害朕”的心理作祟，信任难以建立，而不论在内容/物品推荐中，信任都是非常重要的一环。

2. 社交推荐是容易滋生病毒式裂变

各种花式拼多多互助群

社交推荐相较于算法推荐，更容易滋生病毒式裂变，相较于当下微信的社交推荐，有时候我会觉得拼多多的社交推荐思维是否是更先进，鼓动用户自发的进行点对点，点面面的推荐，借助社交链进行病毒式传播，这相较于算法推荐不知道高到哪里去了。

04 后记

这篇文章主要是写了一些个人对于社交推荐的看法，其中包含了很多对于社交推荐的疑惑，如果有了解和有意愿交流的同侪，也欢迎拍砖交流，不胜感激~

#专栏作家#

随心将夜，微信公众号 : 互联网菜鸟产品进阶之路，人人都是产品经理专栏作家。关注社交赛道和社区发展，擅长分析行业趋势。

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