晚上刷抖音总是刷个不停，感觉刷到的每一个视频都有某个点能戳中自己，你陷入寻找 *** 的循环......

为什这些 App 都知道你想要什么？他们监控了你的聊天记录吗？

不，是你的个人基础信息和行为数据告诉了他们你需要这些，他们就把你的需要主动放到你面前罢了。

那他们是怎么做到的呢？

个性推荐

首先，个性推荐系统是为了解决信息过载，通过个性化推荐提高信息分发的效率和准确性，使得用户更有粘性而被广泛使用的系统。

通俗的说他的目的是为了让你更爽，你要什么我就给你什么。

这很美好，但这里有一个陷阱，

你不要什么，我就少给你或者不给你 —— 你也就失去了和与你意见相左的知识领域接触的机会。何况，单一的内容被推荐多了，用户难免会感到疲劳。

个性推荐用在电商领域，叫“精准投放”—— 你想买什么淘宝就推荐给你什么，这像是双赢的感觉。

但对于内容领域（短视频等）来说，只推荐你有兴趣的内容， *** 你兴奋点的同时，会让你接触世界的边界越来越窄，沉浸于自己营造的狭小的世界。

独立因素推荐

独立因素推荐，就是推荐系统基于单个因素筛选的内容或商品推送给用户。独立因素推荐的两种模式是被动推荐和主动推荐。

被动推荐

被动推荐指的是用户被动接收信息，这种推荐需要用户去触发而产生结果。

例如，淘宝上用户依据价格区间的独立因素筛选商品，这种行为完全依据用户有意识的自主操作告诉淘宝：我需要特定独立因素的商品，淘宝后台会依据你的输入信息进而对前端的你进行反馈。

假如用户不是选一个因素而是同时选择价了格区间+发货地区+品牌这三个独立因素时，这时后台进行筛选，把同时具备这几个独立因素的商品推荐给用户，这是多个独立因素的简单物理标签相加。

与之类似的还有网易云音乐的歌单广场，歌单广场将歌单分为了

流行、民谣、电子等不同的类别，每一个类别就是一个因素，用户选择哪个因素的标签，后台系统就更新属于该因素的歌单的数据给到前端界面上展示，这类都是独立因素的被动推荐。

主动推荐

主动推荐，由系统定时更新数据并主动推荐到用户面前，用户打开界面就能接触到主动推荐的结果；如网易云音乐的热歌榜，抖音的人气热搜榜等就是主动推荐的方式。

但这种热榜这种统一推荐的方式很容易形成马太效应 —— 火的内容会得到更多的曝光、越来越火，但大部分人喜欢的内容并不代表它们适合每一个人的口味。热门推荐满足用户从众心理的同时，忽略了用户的个性差异体验，所以就需要依据用户个性的推荐来弥补。

随着用户对自我独特性的感知越来越强，需要个性化定制的需求也越来越明显。如何让特定的内容满足特定的用户，让用户开开心心的走进个性推荐的陷阱里就是接下来我们要讲的重点。

融合因素推荐

融合因素推荐就是将几个不同的因素依据特定算法融合而产生新的属性标签，并推荐到与该属性标签匹配的用户手机上。

我们把融合因素推荐分为基于内容本身属性推荐、基于内容属性与用户属性协同推荐、基于相似用户协同推荐这三种推荐方式。

基于内容本身属性推荐（推荐对象一般是所有人）

以抖音热门短视频为例，我们需要做的是依据内容的本身属性建立内容画像，用数据模型来表示内容的特征。

由抖音热搜榜可看到，我们把点赞数排名在前 30 的视频放上热搜榜。

当然决定点赞数的因素除了视频内容本身的类型及质量外，很大的关键还在于平台给多少人推荐了这个视频，即有多少人可以刷到了这个视频。平台判断一个视频是否值得推荐给更多的用户群体，又与历史用户对视频的交互行为息息相关。

例如：

短视频平台将一个审核过后的新视频先推荐给 10w 人的基础用户池进行播放展示，如果这10w人有很多人进行完全播放、点赞、评论、转发等操作，平台就判断该视频为优质内容进而推荐给 100w、1000w 的用户池，如此类推。

如果在 10w 的展示量中，大部分用户对该视频不感冒，很少播放完或点赞，就会减少该视频的展示量，或不会再推荐给更多的用户。

这样，判断一个视频能否进入到下一个用户池的标准就成为了关键，现实中这个标准是根据模型动态变化的。

基于内容属性与用户属性协同推荐（推荐给特定属性的人）

我们通过采集一个人的基础信息和行为数据来对一个用户做定性分析，得出一个用户在互联网及现实中的各种特征，所有特征整合在一起就成为一个代表现实中用户的虚拟画像。

构建用户画像数据会用到静态和动态两类数据：

静态用户为最后都会变成几千个事实标签，用这些事实标签构建模型计算用户的行为偏好。

还是用上面提到的用户对视频的喜爱度的情况为例。

当用户刷抖音看到一个标签为美女类的视频点了一个赞，并不意味者该用户就喜欢看美女可能是不小心点的，这就需要更多的行为来判断该用户对美女类视频的喜爱程度。

除了点赞、评论、分享，关注了某作者这些行为外还有一个时间的限定，短期行为无法代表长期兴趣，单次行为的权重会随着时间流逝不断衰减，用户每次打开美女类内容都会生成一个兴趣权重，把一段时间内你所有的美女类兴趣权重进行累加，再用S型函数标准化就能得到一个 0-10 区间的兴趣值，标签值数值越高，就代表用户对美女就越感兴趣程度。

到了这里平台已可以计算出用户对某一类视频的喜爱程度和厌恶程度，同时也对视频做了分类处理，可直接根据用户的偏好将视频推荐给用户。

平台除了可以计算出用户在内容兴趣上面的权重外还可以在消费能力、社交偏好等方向进行建模计算，进而得出一个交为完整的用户画像。

另外通过行为直接推荐视频的效果往往不如通过同类视频推荐，找到和你一样的人，把他们的浏览记录推荐给你，往往比直接猜你喜欢什么效果更好！

根据以上思路，我们在用户的美女喜爱偏好权重、社交偏好权重、消费能力权重等多个维度建立模型，计算用户的偏好，之后将这些偏好反映的权重值转化为特征向量！

如，我们把用户对美女的喜爱权重为 8，社交偏好权重为 5，消费能力权重为 2，将向量理解成多维空间上的一个坐标，通过把每个用户的向量坐标代入余弦公式和距离公式中，就能计算出和你相似的人，进而把用户分类。

这样广告主或平台就可以依据与你相似群体的消费记录和喜爱偏好给你推荐商品或视频，这也恰巧就是你喜欢的类型。

总的来说，你的一切上网行为都会在手机上留下操作的痕迹（基础信息和行为数据）。平台采集到这些历史痕迹进行数据清洗——结构化数据——建模分析，计算出你的行为偏好，根据你的偏好或同类人的偏好向你推荐商品和内容。

戳中自己。

如果你刷抖音时能包容那些和你意见不同的人，能耐心看完或评论互动，那么根据个性推荐的机制，你的内容信息流中既有自己喜欢的内容,也会有自我认知之外的内容，不用担心个性化推荐使你变得狭隘。

相反，如果你只接受那些你认同的意见或人，不能包容异己，只会将与自己观点不对等的内容拉黑处理，长此以往你的信息流里就会只剩下你喜欢的内容，沉浸在自己打造的小世界里。

对此，你怎么看呢？欢迎留言～