中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

編輯導(dǎo)讀：提起社交推薦這個詞，很多人可能都覺得很陌生。社交推薦是基于用戶社交網(wǎng)絡(luò)的一種算法推薦模式，本文作者從社交推薦的定義出發(fā)，結(jié)合從精準(zhǔn)度、與算法推薦的關(guān)系和隱私邊界這三個方面對社交推薦展開了深入分析，并對其實(shí)用性進(jìn)行了討論，與大家分享。

01? 什么是社交推薦？

所謂社交推薦到底是什么？當(dāng)我想認(rèn)真思考這個問題的時候，我發(fā)現(xiàn)我根本沒法從一個很好的點(diǎn)切入并給出準(zhǔn)確的定義，于是我開始以關(guān)鍵詞“社交推薦”為query進(jìn)行搜索，但是無論是百度，還是谷歌，并沒有給出對應(yīng)的答案。

我不僅開始迷惑，所謂的社交推薦，是不是又是互聯(lián)網(wǎng)的一次無意義造詞？

既然沒有找到權(quán)威定義，那們就從自身理解出發(fā)，我對社交推薦的看法，主要有三點(diǎn)：

1. 社交推薦的中心思想在于我會對信任/親密的人推薦的內(nèi)容/物品更感興趣；
2. 社交推薦與算法推薦是對立存在的，社交推薦不是算法推薦；
3. 社交推薦的依據(jù)是用戶關(guān)系鏈對內(nèi)容/物品的喜惡；

盡管有了這三點(diǎn)認(rèn)知，我大致能夠理解社交推薦存在的價值與意義，但有幾個方面，我仍然存在疑慮。

02 關(guān)于社交推薦的一些疑慮

1. 社交推薦的精確度問題

關(guān)于這一點(diǎn)，可能有些難以理解，我嘗試描述一下，大體是這樣的：

A對B的主動推薦，一定綜合了A自己對于B的理解，進(jìn)行了一道信息篩選，且是點(diǎn)對點(diǎn)的推薦。在社交推薦中，A推薦的發(fā)出是難以預(yù)設(shè)接收對象是誰的，而接收者往往是被動接收A的推薦信息，如果說A主動推薦B，準(zhǔn)確度是70%，而社交推薦中，A有十個好友接收到該推薦，那推薦的準(zhǔn)確度就只有7%，而實(shí)際上，現(xiàn)代社會中很多用戶的好友數(shù)一定是遠(yuǎn)大于這個數(shù)的。

總結(jié)一下：

• 社交推薦熟悉的人“信息篩選”因?yàn)橥扑]面的擴(kuò)大導(dǎo)致不置信；
• 社交推薦中推薦是點(diǎn)對面/面對面的推薦，準(zhǔn)確度較之點(diǎn)對點(diǎn)推薦差很多；

當(dāng)然，我們可以通過分析推薦內(nèi)容對于B的適合程度，在推薦中，選擇性進(jìn)行展現(xiàn)，但這種社交推薦，摻雜了算法推薦，還算是社交推薦嗎？

即使這依然算是社交推薦，A的推薦這一步驟，是否能起到強(qiáng)有力的信息除噪，我個人也是打一個大大的問號。

2. 社交推薦與算法推薦的關(guān)系

如果按照最簡單的社交推薦來理解，最核心的兩條原則應(yīng)該是：

1. 我的好友A喜歡X，我和A關(guān)系密切，我大概率喜歡X；
2. 我很多好友喜歡X，我大概率喜歡X；

這兩條原則指導(dǎo)下，社交推薦的后置工作就分為兩塊：

1. 測算我和好友A的關(guān)系密度（這涉及到用戶畫像與交互行為的分析），可能還需要分垂類來分析，因?yàn)榧词购糜岩膊粫诟鱾€維度興趣偏好一致；
2. 測算好友對于X的推薦的置信度，不同好友不同權(quán)重，不同推薦行為不同權(quán)重；

而算法推薦呢？

我們知道算法推薦主要有五種：協(xié)同過濾推薦、基于內(nèi)容的推薦、基于關(guān)聯(lián)規(guī)則的推薦、基于流行度推薦算法、混合推薦，而其中協(xié)同過濾推薦算法主要是分為UserCF（User Based Collaborative Filtering）和ItemCF（Item Collaboration Filter）。

等一下，我嗅到了一絲不對的氣息，UserCF是不是就是我們上面談到的社交推薦？

而這就存在悖論了，如果我認(rèn)為社交推薦是與算法緊密相連，那它就越來越趨向于UserCF，這是個老玩意，有利有弊。

而如果把社交推薦中算法的刨除，通過“關(guān)系鏈推薦+復(fù)雜規(guī)則”來理解的話，其準(zhǔn)確率上限是極低的。

3. 社交推薦的隱私邊界

除了上述問題之外，還有一個問題始終困擾著我，那就是社交推薦如何解除隱私邊界問題。

看一看中“朋友在看”和“精選”社交推薦形式

就拿微信來說，我們理解的社交推薦經(jīng)典使用場景在“看一看”、“視頻號”兩個模塊。

在看一看中，“朋友在看”中能看到每個好友的推薦，如果朋友寫了評論的話，還可以看到這一條評論，而在“精選”中，除了算法推薦內(nèi)容，社交推薦體現(xiàn)在“朋友都看過”這個tag，我們發(fā)現(xiàn)看一看對于社交推薦的運(yùn)用是較為克制的。

因?yàn)橛脩粼跒g覽公眾號內(nèi)容的時候，如果不想自己的互動行為被展現(xiàn)，可以只點(diǎn)贊or收藏，在“精選”中，則是對社交推薦的深層運(yùn)用，模糊個體的推薦行為，而從群體著手來進(jìn)行推薦。

視頻號中好友推薦的展現(xiàn)

而在視頻號中，這一運(yùn)用就顯得更重的，所有的互動行為都是外展可見的，從推薦者的角度他的行為是點(diǎn)對面的，相比于點(diǎn)對點(diǎn)推薦，壓力更大，類似于朋友圈點(diǎn)贊，甚至更加不可控。

這種形式的社交推薦一定是不優(yōu)雅的，而去除掉推薦人信息的模糊推薦（類似看一看“精選”），缺少了確定的信息背書，對于用戶點(diǎn)擊意愿的提升究竟有多大呢？

03 社交推薦完全無用嗎？

看了前面我對社交推薦的一通質(zhì)疑，或許大家會認(rèn)為我對社交推薦是持極大抵觸與反對態(tài)度的，但實(shí)際上并不是。我非常贊同社交推薦的理解，也認(rèn)為相較于算法推薦，其具有非常強(qiáng)的不可或缺性。

1. 社交推薦具有很強(qiáng)的可解釋性，更容易建立信任

算法推薦一切都非常好，就是缺少可解釋性，因?yàn)檎f到底，利用用戶畫像、交互行為作為輸入，通過算法黑盒來出的推薦結(jié)果，連推薦產(chǎn)品經(jīng)理都很難說清楚某條內(nèi)容/物品是如何被推薦的，從用戶角度來說就更加難以理解了。

不可解釋性又回來信任危機(jī)，用戶對于算法推薦的內(nèi)容是具有警惕心的，人對于未知總是恐懼，“總有刁民來害朕”的心理作祟，信任難以建立，而不論在內(nèi)容/物品推薦中，信任都是非常重要的一環(huán)。

2. 社交推薦是容易滋生病毒式裂變

各種花式拼多多互助群

社交推薦相較于算法推薦，更容易滋生病毒式裂變，相較于當(dāng)下微信的社交推薦，有時候我會覺得拼多多的社交推薦思維是否是更先進(jìn)，鼓動用戶自發(fā)的進(jìn)行點(diǎn)對點(diǎn)，點(diǎn)面面的推薦，借助社交鏈進(jìn)行病毒式傳播，這相較于算法推薦不知道高到哪里去了。

04 后記

這篇文章主要是寫了一些個人對于社交推薦的看法，其中包含了很多對于社交推薦的疑惑，如果有了解和有意愿交流的同儕，也歡迎拍磚交流，不勝感激~

#專欄作家#

隨心將夜，微信公眾號 : 互聯(lián)網(wǎng)菜鳥產(chǎn)品進(jìn)階之路，人人都是產(chǎn)品經(jīng)理專欄作家。關(guān)注社交賽道和社區(qū)發(fā)展，擅長分析行業(yè)趨勢。

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自Unsplash，基于CC0協(xié)議