Optimizing,optimizing( 三 )

而对于用户冷启动，推荐服务的是一个大目标：用户的留存率。只有保证了用户留存的前提下，才会考量推荐的兴趣探索效果如何，是否在有限的展示里全面探索出了用户的偏好。对于慢热型的用户，我们并不急于获悉他的方方面面，而是以“留住用户”作为第一目的。时下，最火热的莫过于快手、抖音类的PUGC视频应用了。那么，这些短视频内容的推荐方式是什么样的呢？回归到丰富先验信息、依赖后验信息的角度来阐述整个通用的流程。
一个短视频应用里面，大体上会有三类人：半职业或职业的生产者、工具的使用者、短视频的消费者。从消费性的角度来看，大概率是第一类人生产，第三类人消费。先验信息就是尽可能挖掘出第一类人生产内容的固有特征，比如作者是谁、配的音乐是什么、是否有参与活动话题等等，对于足够的头部生产者还可能会以运营介入的方式人工标注，去完善先验信息。
客观上说，小视频的先验信息是远小于文本内容的。从信息量的角度来看，我们将其类比微博类的短文本内容或者全图片内容可能会更合适。先验信息的缺乏，就会更依赖协同算法支撑下，用户参与行为的后验信息的补充。将一则小视频冷启动推荐给特定类别的用户来查看，从用户角度去统计不同特征、不同聚类用户的有效播放，从而以用户的行为去刻画小视频的特征。
比如，时下很热的海草舞，不同的生产者都会上传类似主题的视频，哪个更好？在业务场景里，真正值得依赖的一定是普通用户观看行为的投票，才能选择出更值得扩散内容，优化全局的效率。四、三分天下？编辑、算法与社交不夸张的说，算法分发将是未来信息分发行业的标准配置。为什么这么说？因为算法是个筐，什么都能往里装。在内容展现和推荐的过程当中，可以参考下述公式：算法分发权重=编辑分发权重社交分发权重各种算法产出权重将任意一个权重设置为1，其他部分设置为0，算法分发系统就会变成一个标准的编辑分发系统或者是社交分发系统。
也就是说，算法分发的基线就是编辑分发或社交分发。从这个角度来看，只要算法应用的不太差，基本上引入算法分发一定是正向。因为它在有限的货架里，围绕用户展示了无限的货品。在业务层面，我们通常会复合型使用三种分发，在不同的环节应用不同的因素，才达到最好的效果。以知乎读书会为例，我们将其划分为：内容生产、用户触达和反馈改进三个部分。
在内容生产中，为了保证调性，一定是需要引入编辑专家去选人、选书的。选择的书是否有价值，选择的人是否是行业专家而非职业的拆书人，都是体现产品价值观判断的事情。进入触达环节，人工干预的作用就会相对弱化。举一个例子：运营一定会有今日推荐的需求，推荐给用户今日读书会上新了什么大咖领读的书籍。比如，一本物理学的书籍，由一位物理学大咖进行解读。
【Optimizing,optimizing】从编辑的角度，领读人是大咖，书是经典，编辑权重一定非常高。这听上去似乎很合理，但当你进入用户的场景时，就发现有点差异：首先，用户不是每天都来的。如果他一周来一次，在他没来的这一周内同样有文学、互联网、艺术等专业人士的领读，你该给他的是今日推荐，还是本周推荐呢？进一步考虑到用户偏好问题。你是应该把物理学大咖的内容强加给他，还是推荐给他一个朋友们最近都好评的一本领读书（社交分发），又或者是他自己已经标注了“想读”的一本艺术类书籍的解读呢？当我们收集到了足够多用户数据的时候，又可以反过来影响内容的二次迭代，编辑的作用又凸显了出来，结合数据的反馈来对内容进行调整：内容的播放完成率为什么低？是稿件问题，还是领读人语音的问题，是否需要重新录制等等。