内容推荐
上一次讲了内容推荐的架构，这一次开始说推荐的基础起点。看看上面这幅图，是我的手机的淘宝封面，根据我关注的物品的不同，首页推荐的东西也不一样。他会根据我浏览的新闻、停留的时间、关注的商品类别给我贴标签，从而更好的从我的口袋里掏钱。
看了这个我就更想理解这个是怎么运作的，所以今天先说说内容推荐的起点：断物识人。内容推荐从来都是两方面的事，一方面是要更好的了解待推荐的内容，另一方面就是要更好的了解要推荐的人。
断物：断的是什么，是内容。怎么断？找到内容的特点，通俗点说就是贴标签。
这本书对于贴标签举了几个例子，为了让我们更好的理解内容。这里就不一一举例说明了。
总结一下，标签是我们对多维事物的降维理解，抽象出事物更有表意性、更为显著的特点。
而标签信息整理过后更方便理解，通过更系统化的分类方式，可以完整的呈现出一个人的特点。书中举的例子是淘宝购物的筛选路径，根据你买东西的不同分成不同的类。
分类
标签和分类相比，标签更灵活。但是分类更权威。而这个权威是怎么来的？标签又是怎么来的？
书中给了两种经典的产出方式：专家系统产出（PGC）和网友产出（UGC）。这两种产出方式都有对应的例子。
音乐推荐引擎潘多拉的音乐基因工程属于前者，它根据歌曲体系抽离出450个标签，而每一首歌曲都会经由工作人员耗时二三十分钟有选择的标注一些标签，并以0~5分值代表这一标签的表征程度。这是需要浩大的工作长期积累的。
豆瓣则属于后者。而网友们给标签就千奇百怪了，因为认知的不同，可能一种标签会有两种不同的表述，所以后者需要数据的清洗和引导。
看到这里突然想到每次坐滴滴快车后会有一个评价系统。可以看下图，里面就属于网友评价。网友根据三个层次对滴滴司机进行评价。
第一个层次是星星评价，由低到高总共五颗星；第二个层次是标签输入，系统给你引导了几个标签可以选择；第三个层次就是简短的评论。而这三种评价方式也是产品经理判断用户的三种层次，第一个是入门用户，第二个是合格用户，最后一个是深度用户。这个就说远了，为了方便理解可以看下图。
滴滴评价系统
而通过标签断物有一个缺陷。标签适合文字表意歧义较小、可以枚举的类型。而有些领域，标签很难准确表意或者概述，这就需要引入聚类的方式来描述。就是通过将一类信息归类于一个标签，而更好的适合所有场景。
未完待续……
想看更多的内容，请点击下面链接！
习哥爱学习［内容推荐］——0104
网友评论