03 | 这些你必须应该具备的思维模式

刑无刀

在开始讲解一些比较硬的知识之前，我先来给你洗洗脑，传达一些形而上、务虚但是重要的内容；所以，今天我主要带你认识两方面的内容：一个是重新认识推荐系统关键元素的重要性，另一个是要建立起两个思维模式。
这两个方面的内容如果理解不到位，尤其是当你去负责整个推荐产品的时候，那真是害苦了整个团队所有的兄弟姐妹。
对关键元素重要性的认识要开发一个推荐系统产品，有这么四个关键的元素需要注意：
UI 和 UE；
数据；
领域知识；
算法。
他们的重要性依次递减，权重大致是 4-3-2-1，是不是知道真相的你眼泪掉下来。因为，推荐系统的效果不是你想买就能买，而是要正确认识不同阶段不同因素的重要性。
最先优化的一定是产品的 UI 和 UE ，即人机交互设计和用户体验设计。“颜值即正义”的法则放在推荐系统中也是成立的，不能因为你的产品是具有 AI 属性的个性化推荐就不看脸了，用户对产品的体验，视觉是否符合目标用户审美，交互逻辑是否简单明了，这些会在最大程度上决定用户是否会持续使用。
只有当用户不断回来，才有推荐系统的用武之地。个性化推荐产品首先还是一个产品，按照一款优秀产品的标准来要求它始终是正确的事情，所以请继续善待你们的 UI 和 UE 设计师们。
数据与 UI、UE 是几乎同等重要的元素，它是推荐系统的食材，巧妇难为无米之炊，多少算法工程师因为加入了一家没有历史数据积累的公司，那种“拔剑四顾心茫然”的无力感，谁去谁知道。
数据贯穿了产品始终，对数据的尊重就是对理性和科学的尊重。UI、UE、数据是一个产品的基石，不论其有没有推荐系统存在都是基石。
领域知识，与之对应的是常识和通识。可以这样说，没有哪个产品不涉及领域知识，每一个产品存在于市场上，总是有一部分价值是大多数其他产品无法替代的，这部分就涉及了领域知识。
电商产品有自己的领域知识，比如普通用户更在意的是价格而不是兴趣；音乐产品也有自己的领域知识。
比如一个歌手的死忠粉，你推荐给他该歌手的任意一首歌对他来说都是徒劳——因为他早就听过了。
至于新闻类产品，更是有自己的领域知识：新闻更新很快，可能上个月的内容都得从候选池中拿掉了。
类似这些在一个领域总结出来的普适规律，对于推荐系统的效果提升非常有用：有的是防止闹笑话自毁品牌形象，有的是大幅提高某些指标，有的是缩短模型训练周期。
我们对算法的爱是复杂的，大多数人最不了解的似乎就是算法，以至于本专栏会用最大的篇幅去讲解各种算法原理，但你一定要认识到，算法的左右没有你想象的那么大，但也一定不是可有可无。
一种对算法的常见误会就是：短期高估，长期低估。如果你不是算法工程师，比如产品经理或者运营人员，那么可能你要尤其注意，在一款个性化产品诞生之初，算法所起到的作用可以忽略，我们不能指望它能让产品起死回生、一飞冲天，但就此抛出“算法无用论”也是很愚蠢的。
这四个元素，都不是“天亮以后说分手”的那种，而是需要长期陪伴呵护，不断打磨。这里阐明其重要性的高低，是为了让你在资源有限，精力很少的前提下抓大放小。

公开

同步至部落

取消

完成

0/2000

荧光笔

直线

曲线

笔记

复制

AI

深入了解
翻译
英语
中文简体
中文繁体
法语
德语
日语
韩语
俄语
西班牙语
阿拉伯语
解释
总结

仅可试看部分内容，如需阅读全部内容，请付费购买文章所属专栏
《推荐系统三十六式》，新⼈⾸单¥59

立即购买

登录后留言

全部留言(38)

最新
精选

yxj🚩
不确定思维就是根据我们的数据，哪怕对同一用户同一时间的推荐结果，都可能是不同的，我们总是推荐目前推荐系统结果中概率最大的结果，但当其他数据累加时，即使该用户行为不变，我们算法也不变，这个结果也是很有可能会变的。
作者回复: 明白人。

49
Duo An
一般一个业务会有一个主要优化目标，其他作为参考。比如电商的cvr 订单量多样性新颖性等
作者回复: 盯多个目标容易迷失，我建议是两种：一种是设计一个指标把多个指标统一了。另一种是盯一个最主要的指标，其他的指标设定一个最低值就行了，让主要指标增长，其他指标不要跌落到最低值就可以。

16
叶晓锋
量化指标和结果不确定性是推荐系统的两个重要特征。只要做好量化才可以计算，才能成为一个可计算问题,一切没有量化的知识、逻辑都无法从算法获益。任何一个模型都是错误的，因为模型和现实永远会有偏差，优化只能减小这种偏差，不能完全消除偏差。
作者回复: 对头。

15
走小調的凡世林
世界上去世的推荐系统都死于老板天天说“推得不准”癌。这可怎么办？分享这节课给领导学习下吗
作者回复: 必须要啊，难道你就这样忍受吗？或者难道你直接和老板杠吗？显然都不可取，让我去说服他吧。

13
Grace
太赞了
作者回复: 致敬每一个爱学习的你！

13
jack.hou
不确定性思维，是由于推荐系统的推荐的是概率性事件，不是必然事件，因此结果不是确定的，要用不确定性的思维去理解
作者回复: 对的，世界上去世的推荐系统都死于老板天天说“推得不准”癌。

12
Lasso（孙滢贺）
视频的 VV 指的是什么？
作者回复: Video view

5
Citi Lai
很受用，謝謝。請問一般類似qoura問答系統的KPI指標會是什麼？另外，公司內部的知識問答推薦系統的KPI怎麼定義才合理？
作者回复: 看阶段吧，问题少就着重鼓励大家提问题，答案少就着重鼓励大家写答案，互动少就鼓励大家多点赞收藏。

5
Jack_Sainity
陈老师，请问链家网的推荐团队还招人吗？
作者回复: 招人，简历扔过来：chenkaijiang001@lianjia.com
2
3
jt120
有点抽象，如果有例子，说明哪种设计好，哪种领域知识有效，哪些数据重要，就好了
作者回复: 谢谢建议，后面加强。

2

收起评论