编辑导语：不知不觉中，不少的产品都有了智能推荐功能，通过这个功能可以猜测并且推荐给用户他们可能会喜欢的产品，帮助用户进行决策，提高成交率。但是智能推荐真的“智能”吗？它给用户带来的是便利还是同质化的海量信息呢？

相信很多朋友和身边的人都有相同的感受，我们在各种头条、各种新闻、某乎或者是某厨房，某宝等平台上留下过浏览足迹，等你下次再次打开时候一定是会有与之相关联或者相类似的信息再次推送到你。

并且你发现有些还挺符合自己心意的，其实这并不是巧合，而是平台对你的行为进行了人工智能算法，然后对符合计算结果的产品推送你眼前，给用户一种平台真懂我的需要的良好体验。

这就是互联网平台实现投其所好实现“千人千面”的制胜利器-智能推荐，智能推荐能够根据搜索行为通过计算分析来判断你的喜好，然后把同类型的内容再次推送给用，很多时候我们就是在这种智能推荐的情形中享受这快感无法自拔。

因为用户的行为已经表达了出了用户的喜好和需求，而互联网的后台则源源不断的给你发送来满足用户需求。而用户的点击又按上述的逻辑再次循环。乐此不疲，直至沉沦。

我们人是有思想的，我们可以凭借我们的知觉和认知来做判断。比如说到“甜”，在我们过往的生活经历形成的认知我们可以想到很多东西，糖、蛋糕、奶茶、苹果。

比如朋友是个爱运动的人，送他礼物时候就可以选择运动鞋、运动装。我们会根据气温来增减衣物，可是程序他是一堆代码，如何来根据用户的行为来个给用户的特性做联系和判断呢？

一、简单介绍几种推荐机制的工作原理

1. 打标签，根据标签推荐具有同样标签的其他内容

打标签的方法就是平台设定好很多标签，然后制作或者上传的用户在发布内容的时候选择该内容属于一个或者多个标签贴上进行发布，发布成功后该内容就属于该标签分支下无数条内容的其中一条。

假设你在某平台上浏览了一条关于产品的内容A，内容A制作上传的时候打上了产品的标签，那么你下次大概率也会浏览到其他关于具有产品标签的内容，随机抽取的内容B、C、D…

有如这类型，是在用户注册的时候选择感兴趣的标签，然后根据用户选择的标签在对应的数据库给用户推送内容。

2. 对标题进行分词，根据分的关键词进行内容匹配

比如搜索一篇文章：

搜索的标题为：“如何成为一名产品经理 。”

假设这个平台的分词规则是：设置的分词最大字数为3。

那么会被拆分成：如何成  为一名  产品经   理 （产品经理的垂直行业应该没有这种词）

不满足条件在退为最大字数为2。

如何  成为  一名 产品  经理  （这些词在产品经理的垂直行业存在这种词汇）

那么就会按照字数为2的词汇来匹配相关内容

匹配出来的内容就有可能会是以下标题：

• 如何成为一名产品经理
• 如何成为产品经理
• 成为产品经理
• 如何成为经理
• ……

3. 通过数学逻辑进行公式计算，相似度计算。

相似度计算主要有三个经典算法：

1）余弦定理相似性度量

通过测量两个向量内积空间的夹角的余弦值来度量它们之间的相似性，0度角的余弦值是1，而其他任何角度的余弦值都不大于1，并且其最小值是-1，从而两个向量之间的角度的余弦值确定两个向量是否大致指向相同的方向。

两个向量有相同的指向时，余弦相似度的值为1；两个向量夹角为90°时，余弦相似度的值为0；两个向量指向完全相反的方向时，余弦相似度的值为-1。

在比较过程中，向量的规模大小不予考虑，仅仅考虑到向量的指向方向。余弦相似度通常用于两个向量的夹角小于90°之内，因此余弦相似度的值为0到1之间。

2）欧氏距离相似性度量

与余弦定理通过方向度量相似度不同，欧氏距离是通过计算样本实际距离在度量相似度的，二维平面上两点a(x1,y1)与b(x2,y2)间的欧氏距离。

3）皮尔逊相关系数

两个变量之间的相关系数越高，从一个变量去预测另一个变量的精确度就越高，这是因为相关系数越高，就意味着这两个变量的共变部分越多，所以从其中一个变量的变化就可越多地获知另一个变量的变化。

如果两个变量之间的相关系数为1或-1，那么你完全可由变量X去获知变量Y的值。当相关系数为0时，X和Y两变量无关系；当相关系数在0.00与1.00之间，X、Y正相关关系；当相关系数在-1.00与0.00之间，X、Y负相关关系。

由此可知，相关系数的绝对值越大，相关性越强，相关系数越接近于1和-1，相关度越强，相关系数越接近于0，相关度越弱。

电商的推荐大多数是根绝用户的行为数据，例如：年龄、消费水平、消费频率等已知条件，经过公式的算法计算出来的。如果两个用户计算出来的值越接近，就说明两个用户购物喜好越相似，即可以把A 喜欢的物品推进给B。

二、智能推荐为什么会被说成是砒霜？

每当智能推荐通过我们行为源源不断的向我们推送内容时，有人就发出不那么乐观的声音，甚至将其视为砒霜带来祸害。当我们被大数据分析时，我们没得选择，推送什么只能接收到什么。我们没办法跳出那个框架去做选择和判断，深陷其中无法自拔。

电商平台利用大数据杀熟，老用户购买相同物品或者服务比普通用户都要贵，而用户基于对平台的信任反而被割了韭菜。

1. 除了消费类，还有阅读消遣类也被好些理性的用户所病垢

主要体现在：

1）阅读类型和阅读面受限，降低了多元化信息的接收

身边也很多朋友反应现在感觉每天在各种头条除了热点看到的文章都一个样了，喜欢看NBA资讯的每天都能看到NBA资讯，爱看服装搭配的也每天都有，喜欢的明星的新闻也天天不落下。

这个世界每天都发生那么多的奇奇怪怪的事情，可我们接收到的信息似乎都一个样。

2）沉迷于人性的弱点，享受短暂在快乐无法自拔

身边已经有不少朋友把小视频卸载了，原因无他，只是不想继续沉迷于短视频的快乐之中。相信刷短视频肯定占据了我们一天中很大的时间比例，下班后到睡觉前的这几个小时，公交地铁、吃饭的碎片时间等等。

我们把不喜欢看不感兴趣的视频随手一划，把想看的视频从头看到尾。此时，你会发现随后完播率高的类型的其他视频又会被你刷出来。不断筛选，不断推送，刷的人也就中毒了。

2. 智能推荐能不能成为蜜糖呢？

大家在做产品设计的时候会不会找一下参考？比如我要设计一个条件筛选，在设计网站找到下面这个样式：

然后网站会根据“筛选”这个关键词或者标签推荐更多内容：

我就有很多的筛选设计样式参考了，当有各式各样的筛选样式出现面前时，我就可以根据自己的需要来选择设计一个适合自己需要的筛选。

刷选选项较多较长，可以选择参考下面下拉式瀑布流。

筛选选项少，不会占用太长空间，可以把选项横向列出来达到优化页面空间。如下：

统给推荐了不同的参考形式，我们可以结合自己的项目需求权衡项目适合什么样的设计。再如，我们想学习一个知识。想了解互联网产品经理这个职业是什么？在知乎上搜索产品经理是什么？点击一篇文章阅读。

然后在文章底部会出现相关推荐：

出现的内容除了有解释产品经理是什么？

还有扩展内容：

• 产品经理的工作
• 适合给产品经理看的书籍
• 产品经理要如何进步等
• …..

能够让我们从多维度更全面了解认识产品经理，以上举例即时类似的情景，我觉得智能推荐便真香了。

因为他对我们学习和解决问题提供了帮助，在固定的主题下提供了更多有联系的资讯和信息，让我们的判断有明确的认知。相比于之前说的娱乐，他就不是在是重复的消耗，而是一种获得。

知识是我们在社会实践中或者科学实验获得的对客观事物的认识，但是掌握知识是需要一个过程的，很多人却误把知道当成了掌握。

知道是知道，掌握是掌握。知道是接触到了解到，是很浅显的一个层次。就像我们学习做题，刚接触到一个新知识或者公式就去做题往往会遇到障碍，因为彼时还未掌握是一个初始阶段。

而掌握是通过反反复复的复盘和举一反三之后达到的另一个层次，我们通过推荐出来的相关内容可以更加全面和多角度了解我们想要了解的知识，解决问题也就更加容易。

知识就是这样，知道一点皮毛的时候会欣喜若狂，因为这时候认知少，以为知道的就是全部。而当知道的越多的时候的反而有一种谦卑的冷静，因为明白了任何一类知识都如茫茫大海，而我们掌握的只是那沧海一粟。

三、结语：智能推荐是砒霜还是蜜糖？

智能推荐是砒霜还是蜜糖，个人觉得还是看使用场景。

当我们在消遣过程中迷失自我，忘乎所以享受消耗型快乐时，那无疑是一种悲哀。但当我们能够严于律己，理性回归，将其作为一中工具用于学习，用于解决问题真的会带来莫大的帮助。当我们能够获得一种充实的满足感时，那种感觉是真的甜！

#专栏作家#

我是广告班，人人都是产品经理专栏作家。擅长对产品，对用户对需求的洞察和分析。

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