本系列前面章节介绍的基本都是底层策略，而样式和创意是用户实际接触到的，本章节将介绍如何基于内容类型和业务属性去设计平台内容的样式和创意，相信对于推荐效果的提升也将起到非常大的作用。欢迎阅读。

前百度凤巢首席科学家：张栋，曾经提出过一个很有意思的“4321”理论。他认为推荐系统作为一个整体，包括UE/UI、数据、行业知识和算法四个方面。而其中对于整个推荐效果的贡献，UI/UE（40%）＞ 数据（30%）＞ 知识（20%） ＞ 算法（10%）。这里面算法起到的作用反而是最小的，给到用户实际展现的样式和观感是最重要的。

上述四个模块对最终效果起到的作用我们无法科学评估，但是我们通过大佬的分享可以判断出最终给用户呈现的内容展现样式和创意是十分影响用户点击欲望的。

本系列章节前面介绍的基本都是底层策略，而样式和创意是用户实际接触到的，作为策略产品经理如何基于内容类型和业务属性去设计平台内容的样式和创意也是我们日常工作中非常重要的一部分，这部分工作对于推荐效果的提升也将起到非常大的作用。

一、内容、样式和创意分别是什么

首先介绍一下内容、样式和创意分别是什么，我们以淘宝APP为例，大家打开淘宝首页会觉得眼花缭乱，其实是因为不同内容、样式和创意组合在一起导致的，下面将详细展开介绍。

1.1 内容

淘宝推荐目前有多种内容类型，下图是常见的一些内容类型。

如上图所示，淘宝首页推荐常见的内容类型有：普通商品、视频、店铺、直播、商品聚合页、活动会场和频道页等多种类型。不同的内容类型代表的内容不一样，前端展现的样式不一样，点击后跳转的详情页也完全不一样。

比如点击普通商品后直接进入商品详情页，可以直接加购和下单。点击直播后进入直播间详情页，可以观看直播详情并在直播间中下单。

不同的内容类型是为了提升用户在平台上的可逛性，单一的内容只会让用户产生审美疲劳。

1.2 样式

不同的内容前端展示的样式完全不一样，不同的样式是为了适配内容的不同特性。

如上图所示，普通商品样式核心要突出商品主图和商品标题，而商品聚合页核心要突出此聚合页的主题，让用户明白是哪些商品被聚合在了一起，具体商品的标题和价格等信息在详情页里面展示即可。同时即使是同一种内容，前端展示的样式也会有多种。

如上图所示，针对普通商品这种内容就会有长图和方图两种样式，长图样式适合展示那种图片信息量比较多或者内容冲击感比较强的内容，比如直播和视频一般也都是长图样式，而方图样式适合信息量本身较少简约风格的内容。

1.3 创意

样式上的各种元素都可以称之为创意，比如标题、封面图、利益点信息、首单优惠信息等。

我们可以将创意分为两大类型：主创意和附加创意。

对于电商领域来说主创意主要包括：图片、视频、标题、价格等，附加创意主要包括：价格优惠（先用后付、满减）、售后服务（假一赔十、买贵必赔）、系统推荐（好评榜）、用户行为（好友买过、收藏上千）等。

上图即为淘宝首页推荐场景相关创意的示例，通过给内容增加各种各样的创意去促进用户点击，进而促成转化。

二、样式策略

我们重点介绍推荐场景下的单内容的样式设计策略，任何一种样式都是为了更好地呈现内容，给用户带来更好的视觉体验。我们在设计样式时需要注意以下几个基本原则。

（1）信息的完整性

样式中必须包含完整展示该内容的核心元素，比如商品样式必须得包括商品主图、标题和价格，店铺样式必须得包括店铺标题和封面图。

单个内容样式展示信息过多时会使得整个页面非常杂乱，有种牛皮癣的感觉，展示信息过少又无法让用户获取核心信息。

所以正常情况下单个样式的行数不会超过四行，单行内容无法展示完全时也直接是缩略，不进行折行展示。

（2）内容和样式的适配性

样式是为了更好地展示内容，所以样式尺寸大小需要和内容类型进行适配。

比如短视频平台上视频和直播内容都是竖版长图样式，而电商平台上商品和店铺内容基本都是方图样式，当然也有部分商品是长图样式比如美妆时尚类目，是因为用户在购买这些商品时需要更多的美感视觉刺激，而家电类商品核心在于产品功能和价格，产品的美观反而不是最重要的，所以此类商品使用方图样式即可。我们在上线一个新样式时都是需要做AB Test小流量实验，对比新旧样式的线上效果。

这里面有一个误区，就是长图样式和方图样式的效果对比，因为长图样式占据屏幕面积大，先天性的CTR就高于方图样式。所以我们在对比长图和方图样式时，不能仅观察单个素材的CTR对比效果，需要关注推荐大盘整体的效果。

比如说在商品内容上上线了长图样式，商品内容可能CTR有了比较大的提升，但是推荐大盘可能CTR下降了，因为长图样式将占据更大的屏幕空间，导致用户下拉深度变小了。所以我们在做新样式升级时一定既要观察单个素材的效果变化，也要关注大盘整体效果的变化。

三、创意策略

创意分为主创意和附加创意两大部分，主创意里可以继续细分为图片、标题、视频创意等，关于主创意的策略设计我们将在后续章节单独写文章进行详细介绍。本部分里我们核心介绍附加创意里的推荐理由生成。

3.1 推荐理由是什么

首先什么是推荐理由，我们为什么要专门去介绍推荐理由的生成策略了？

推荐理由，字面上的意思就是为什么给你推荐了这个物品，也可以被叫做推荐解释。在推荐结果上增加一些“推荐理由”的目的也很简单，就是为了提升推荐结果的可解释性，进一步提升点击率，推荐理由可以说是附加创意里最重要的一种创意类型了。

目前在各个领域的APP上基本都会有推荐理由，挑选了9家比较有代表性的公司给大家介绍一下：

（1）电商领域

• 淘宝：“1000+美食爱好者买过”；是为了告诉用户这个商品很多美食爱好者都喜欢买，你也不能错过；
• 京东：“近期超千用户买过”+“为你探索的热搜商品”；同样是为了告诉用户这个商品是很多人共同的选择以及最近热门搜索的商品，你也可以尝试；
• 拼多多：“男高帮休闲鞋销榜第1名”；直接告诉用户这款鞋子很火，销量排名第一；

（2）本地生活领域

• 美团：“海淀区新店，快来种草吧”是为了告诉你有新店，可以来尝尝新；“经典必吃红烧牛肉米粉”是告诉你经典款不容错过；
• 大众点评：“五道口北京菜口味榜第一名”和“2022上榜一钻餐厅”都是通过排行榜的形式来告诉给你推荐的这些餐厅都是榜上有名的餐厅；
• 盒马：”回头客3.2万人“是通过历史上有大量人复购来告诉你这款商品很不错；

（3）内容领域

• 知乎：“超过9.1万的用户关注了TA”是为了告诉你这个创作者的粉丝很多，在一定的领域具有一定的影响力，你可以看看；“你关注的XXX赞同”是为了告诉你关注的某个博主对这个内容也很感兴趣，你也可以看看；
• 视频号：“XXX朋友点赞过”，和知乎的那个推荐理由差不多，都是基于社交属性来设置的推荐理由；
• 网易云音乐：“根据常听推荐”表示这首歌和之前你经常听的歌很相似；“昨日上万播放”表示这首歌昨天很火，给你推荐你也可以尝试听听；

我们可以通过三大领域，9个APP的推荐理由案例发现一个好的推荐理由其实是可以提升用户的点击欲望，让推荐结果更加透明化；

3.2 推荐理由的作用

为什么推荐系统的推荐结果展示要添加推荐理由，其实这和我们日常生活也都是息息相关的。

• 场景一：当我们想看一部电影却不知道该看什么的时候，我们会咨询朋友的意见，朋友们会告诉我们XX电影好看，主演是XX，剧情非常好，演员的演技也很好。“剧情非常好，演员的演技也很好”其实就是我们生活中给出的一种推荐理由。
• 场景二：当我们去一家餐厅吃饭不知道点什么的时候，我们通常会叫来服务员问他有没有什么菜推荐。服务员会说”这几道菜是我们店经典菜必点，这道菜是我们店刚刚上新的新菜可以尝试一下“。其实服务员给出的推荐理由和大众点评和美团给出的推荐理由逻辑是一样的。

一个值得信任和说服力强的推理理由会降低我们的选择成本和决策时间。

如果我们将现实中的推荐场景同样复制到互联网上，在为用户推荐某一个商品或者服务时，不再是只告诉商品或服务是什么，同时也告诉为什么给他推荐这个商品或服务时。

• 从平台侧，提升了推荐结果的透明度，提升推荐结果的可解释性，进而提升推荐结果的点击率；
• 从用户侧，提升了用户体验，用户更加信服推荐结果。

如下表3-18所示，一个好的推荐理由应该具备以下三个核心要素：可解释性强、准确度高和信服度高，三者缺一不可；

在2023年这个时间点，在头部互联网大厂的APP推荐结果里基本都已经附上了推荐理由，只是推荐理由的覆盖度并没有很高以及种类比较少。

随着推荐系统的进步以及用户自主意识的不断增强，推荐系统的透明化以及结果可解释性也需要不断增强。

推荐理由就是一种很好地提高推荐系统透明度，提升推荐结果可解释性，拉近系统与用户之间距离的方式，未来所有的推荐系统里都需要加上推荐理由。

3.3 推荐理由生成策略

首先我们将推荐理由进行分类，然后基于不同类型的推荐理由介绍不同的生成方式。如下表3-19所示，主要分为以下5大类。

（1）用户特征

一般分为两个大类，一个是用户的行为特征，另一个是用户的偏好特征。基于用户行为特征的推荐理由生成基本都是统计学的方式，就像上文中盒马的例子”你经常购买的商品“；而基于用户偏好特征的，一般都是使用Item-CF算法，将基于Item-CF算法召回的物料都可以加上这类的推荐理由”根据常买推荐、根据常听推荐“。基于用户特征的推荐理由可以在各个领域使用，是一种普适性的推荐理由。

（2）行业权威

这类主要用在一些内容和媒体领域，一种是将一些行业大V关注或点赞过的内容推荐给其他用户；一种是基于用户现有关注的一些大V，从他们历史曾经点赞过的内容中寻找和用户兴趣爱好匹配度比较高的物料进行推荐，然后附上推荐理由，可以进一步提升点击率。

（3）热门潮流

可以分为很多种类型，比如近期流行的和历史上榜的。这类推荐理由基本都是通过统计学的方式来进行统计，尤其是排行榜类的信息，在很多电商公司会基于各种类目和属性的组合生成五花八门的排行榜，一个平台上的排行榜可能有几千种。

（4）社交关联

基于社交属性的推荐理由其实是在相关社交软件或者媒体软件上经常使用的，在我们浏览视频号的时候，如果一个视频被很多微信好友点赞过，这个视频里面会被放在首位推荐给我们，甚至视频号还会有醒目的红点提醒我们点击观看，这就是一种基于微信社交生态专门有的推荐理由，我们看到这个视频下有哪些好友点赞了，我们就可以再去找这些好友聊这些视频，创造共同话题。

（5）好评如潮

基于历史用户评论信息进行好评挖掘，然后再进行一个千人千面的用户匹配。因为评论信息中各种各样的信息都会有，有的评论侧重于产品功能，有的评论侧重于使用体验，如何实现推荐理由与用户之间的千人千面匹配而不是一个推荐理由分发给所有用户这是技术上的难点。

3.4 推荐理由生成和使用的挑战

推荐理由可以让我们的推荐系统更加透明化，提升用户的点击率，但是实际在落地时还是会有很多技术难点需要突破以及合规性需要注意。

（1）如何保证推荐理由的准确性和及时性

推荐理由的准确性是必须要得到保证的，不然会起到反作用。同时推荐理由的及时性也很重要，比如“热门潮流”类的推荐理由，此类推荐理由就需要及时更新，很多SKU可能在夏天是流行的，比如西瓜、雪糕等，到了秋天立马就不再是流行的了，所以相对应的推荐理由我们也不能再使用。

（2）如何保证披露信息的合规性

推荐理由里面的信息是不是都适合披露，都是合规的？比如基于用户评论信息里面的一些信息，很多评论可能会比较直接或比较敏感，虽然确实和商品有关，但可能不适合直接披露在最外页给用户展示。还有一些类似于功效的商品属性信息，有一些信息可能不适合直接披露给用户。

（3）如何做到更进一步千人千面的适配和动态生成

这个是目前推荐理由领域最大的挑战和重点攻克的方向。我们上面介绍的很多种推荐理由其实都是千人一面的，当一个SKU被推荐给所有用户时可能使用的推荐理由都是一个，比如排行榜信息。而推荐系统需要做到的就是千人千面，以往实现的是千人千面用户和物料的匹配。

未来需要实现的是同样一个物料推荐给不同用户时可能推荐理由也是不一样的，需要做到推荐理由的千人千面动态生成，而不是单纯离线千人一面的生成方式。