seo深度解析:全面挖掘搜索引擎优化的核心秘密(拉到用户是怎么发现需要的信息的呢？(一) )

　　seo深度解析:全面挖掘搜索引擎优化的核心秘密(拉到用户是怎么发现需要的信息的呢？(一)

)

　　首先，拉到上帝的角度来谈谈信息检索。信息检索是互联网接入的一大基本需求，从整个互联网的信息到应用程序中某个功能页面的信息，都在信息检索的范围之内。用户总是希望更高效地找到他们需要的信息，而帮助用户快速找到他们需要的信息通常是做好产品的第一步。首先，我们来谈谈普通的在线用户是如何找到他们需要的信息的？

　　一、什么是推荐系统？

　　1.1用户如何发现信息

　　在 Internet 上发现信息的方法大致有七种。我将用户发现内容的主动性和内容的热度分为两个轴，如下图所示。圆圈的大小代表当前的流行度：

　　

　　

　　从用户发现信息的方式我们可以发现，在不同的场景下，用户使用不同的方法来更高效地发现自己想要的信息。在用户没有明确目标的场景下，“个性化推荐”是最有效的行业证明形式。我们通常所说的推荐系统就是上面提到的“个性化推荐”。

　　1.2什么是推荐系统？

　　先说一下维基百科对推荐系统的定义

　　推荐系统是一种通过估计用户对项目（信息）的偏好来向用户推荐适当信息的技术。

　　推荐系统或推荐系统（有时将“系统”替换为平台或引擎等同义词）是信息过滤系统的子类，旨在预测用户对项目的“评分”或“偏好”。

　　从定义本身，我们可以看到推荐系统中涉及的三个主要元素：用户、（适当的）上下文和信息。不同的用户、不同的场景，构成了无数信息推荐的组合，也就是我们常听到的“千人千面”。了解了推荐系统之后，我们想知道为什么需要推荐系统，它能给推荐系统的用户和提供者带来什么？

　　二、为什么需要推荐系统？

　　随着移动互联网占据用户越来越碎片化的时间，人们被动接收信息的场景也越来越广泛。与此同时，互联网上的信息量也呈现爆发式增长。太多的选择也会让人烦恼，用户很容易迷失在无尽的信息流中。对于内容海量的内容型产品，推荐系统能给用户和平台带来什么？

　　2.1 用户视角

　　从用户的角度来看，推荐系统可以帮助用户在没有明确的信息消费目标的情况下更方便快捷地获取感兴趣的信息。与其他形式的信息发现相比，推荐系统更能满足用户消费信息的需求，因此用户更愿意使用基于推荐系统的产品。

　　2.2 平台角度

　　

　　2.3从行业角度

　　因此，使用推荐系统在内容平台上分发内容给用户和平台都带来了明显的好处。我们立志要做一个推荐系统，那么推荐系统的目标是什么？

　　三、内容推荐系统的目标是什么？

　　我们如何衡量推荐系统的有效性？（参考：物品数量，《推荐系统实践》，我根据自己的经验增加或减少测量维度，并将测量维度从上到下排序）

　　

　　

　　上面提到了推荐系统的九个评价维度。我们通常使用一些数据指标来“逼近”对应的维度目标（如表中效果评价一栏所示）。基本方法是：设定推荐目标->使用数据指标逼近目标->使用算法策略优化指标。我们应该如何优化上诉指标以改善推荐系统的体验？现在让我们进入工作原理。

　　四、推荐系统的工作原理

　　推荐系统的本质是匹配“用户兴趣”和“内容特征”

　　也就是说，我们会梳理出用户特征（人像）和内容特征（人像），然后通过一些关联的方式将两者关联起来，这样我们就可以在特定的场景下推荐用户可能感兴趣的内容（即在某些关系方面表现良好的特定内容）。

　　4.1如何将用户与内容关联起来

　　那么如何将用户与内容关联起来呢？在回答这个问题之前，你可以想：“你为什么会看到这个文章？” 我们通过问答的方式引入用户和内容之间的关联。有四种主要的关联方法：

　　

　　(1)基于内容

　　问：为什么我会看到这个 文章？

　　A：我对文章的标题和内容很感兴趣，这个文章里面的信息对我有用（我之前看过一个类似的文章，或者同一个创作者的文章 >）。

　　基于内容的推荐是最直观和最简单的。用户喜欢什么类型的内容，我向他们推荐什么类型的内容。这种类型的关联算法基于我们对内容本身的了解以及识别每条内容的特定属性的能力。比如我想向用户推荐体育内容，但不知道哪些内容是关于体育的，而且是徒劳的。

　　(2)基于协作

　　问：为什么我会看到这个 文章？

　　A：和我有相同兴趣的用户也看过这个文章（基于类似用户的行为）。

　　简单来说，协同过滤就是利用兴趣相似、经验相同的群体的偏好来推荐用户感兴趣的内容。

　　(3)基于网络结构

　　问：为什么我会看到这个 文章？

　　A：我朋友又看到了，对我有影响。

　　基于网络结构，用户与内容的内容关联和操作记录构成网络拓扑结果。

　　(4)基于场景

　　问：为什么我会看到这个 文章？

　　A：这个文章在这个时间和地点都比其他人好。

　　基于场景的推荐是基于用户当时的使用场景。

　　

　　总而言之，为了最大化推荐效果，我们需要更深入、更广泛地探索用户与内容的关系，从而全面提升推荐效果。

　　五、打开黑匣子，推荐请求怎么了？

　　接下来，我们打开黑匣子，深入了解一下用户打开推荐流后会发生什么？

　　(1)recommendation request information - 带用户信息请求推荐服务(2)recall-根据用户画像和场景从内容库中查找用户可能感兴趣的内容

　　召回是在上诉中关联用户和内容的方式。目的是穷尽“用户对内容感兴趣的原因”，尽可能广泛地挖掘出用户可能感兴趣的内容。

　　（3)过滤 - 根据用户的操作历史过滤用户可能不感兴趣的内容（4)估计排序 - 使用更多维度的视角对召回的内容进行排序

　　简单普及一下排名模型：一个排名模型是一个方程，我们输入一个用户和一堆文章，这个方程会返回一个根据用户兴趣排序的列表：

　　

　　模型的训练过程就是我们用很多样本（数据）告诉算法什么样的用户喜欢什么样的内容。使用这样的模型，我们可以预测其他内容用户感兴趣的内容。

　　(5)策略重排 - 对排序后出现的不满意的情况或一些强制性要求进行重排

　　大部分重排规则会牺牲一些推荐指标来换取其他推荐目标的提升，因为这些规则会抑制高点击高停留文章，或者强制显示低点击低停留文章@ >。有些规则是为了保护作者的利益，比如文章源规则；一些规则是为了提高权威，比如压制低俗等；一些规则是为了提高多样性等次要目标，比如同类型的内容不连续出现3次出现的内容和相同的布局不要同时出现3次，以防止屏幕滑动。

　　

　　最终返回给客户端的排序结果就是我们在手机上看到的结果。

　　推荐系统的缺点——加速信息茧房

　　信息茧房是指人们的信息场习惯性地以自己的利益为导向，从而将自己的生活束缚在蚕茧般的“茧房”中的现象。简单地说，用户只能看到他们想看的内容，而其他重要的内容被用户忽略。推荐系统会加剧这种情况，最终每个人都会变得每天阅读大量的内容，却又极度孤独和封闭。

　　

　　六、非技术人员和推荐系统

　　了解了推荐系统的基本工作原理之后，让我们引申一下，作为一个非技术人员，如何提升推荐系统的效果呢？上面提到了推荐系统的九个评价目标。我们为这些目标设置了相应的指标来接近这些目标，但在很多情况下，这些指标是疏漏的，并不能完全描述用户体验。因此，我们需要找到推荐系统中的问题并挖掘机会。关于推荐系统中的操作工作，可以参考本相册另一篇文章文章：《推荐系统下如何推进操作？《爸爸》框架指南》

　　6.1 发现问题

　　机器很难自行发现推荐的问题。需要长期使用，把自己带入用户的角色，反复琢磨，找出问题所在。我们以推荐的 9 个目标作为发现问题的参考。常见问题如下：

　　推荐相关调优背景

　　推荐系统是一个庞大而复杂的系统，很难保证不会出问题。因此，它也需要相应的背景，以便于跟踪问题。涉及的主要背景如下：

　　用户相关背景

　　内容相关的后端

　　6.2 发现机会

　　不同的场景往往对应不同的推荐目标，因此需要不同的推荐策略。作为产品运营商，需要深入挖掘这些推荐场景对应的用户需求，才能做出更好的推荐效果。常见的场景差异如下：

　　七、写在最后

　　本文从什么是推荐系统开始，并解释了为什么要制作推荐系统？推荐系统的目标是什么？那么如何构建一个可以达到目标的推荐系统。最后，它讨论了非技术人员如何优化推荐系统。如今，推荐系统已经成为内容产品几乎必不可少的基本功能。用户期望基于内容的产品会有个性化的推荐。如果没有经验，他们将逊色于竞争产品。因此，我们必须迎头赶上，但推荐效果的优化是无止境的，需要我们不断的努力和积木。

　　-结尾-