本系列前面章節介紹的基本都是底層策略，而樣式和創意是用戶實際接觸到的，本章節將介紹如何基于內容類型和業務屬性去設計平臺內容的樣式和創意，相信對于推薦效果的提升也將起到非常大的作用。歡迎閱讀。

前百度鳳巢首席科學家：張棟，曾經提出過一個很有意思的“4321”理論。他認為推薦系統作為一個整體，包括UE/UI、數據、行業知識和算法四個方面。而其中對于整個推薦效果的貢獻，UI/UE（40%）＞ 數據（30%）＞ 知識（20%） ＞ 算法（10%）。這里面算法起到的作用反而是最小的，給到用戶實際展現的樣式和觀感是最重要的。

上述四個模塊對最終效果起到的作用我們無法科學評估，但是我們通過大佬的分享可以判斷出最終給用戶呈現的內容展現樣式和創意是十分影響用戶點擊欲望的。

本系列章節前面介紹的基本都是底層策略，而樣式和創意是用戶實際接觸到的，作為策略產品經理如何基于內容類型和業務屬性去設計平臺內容的樣式和創意也是我們日常工作中非常重要的一部分，這部分工作對于推薦效果的提升也將起到非常大的作用。

一、內容、樣式和創意分別是什么

首先介紹一下內容、樣式和創意分別是什么，我們以淘寶APP為例，大家打開淘寶首頁會覺得眼花繚亂，其實是因為不同內容、樣式和創意組合在一起導致的，下面將詳細展開介紹。

1.1 內容

淘寶推薦目前有多種內容類型，下圖是常見的一些內容類型。

如上圖所示，淘寶首頁推薦常見的內容類型有：普通商品、視頻、店鋪、直播、商品聚合頁、活動會場和頻道頁等多種類型。不同的內容類型代表的內容不一樣，前端展現的樣式不一樣，點擊后跳轉的詳情頁也完全不一樣。

比如點擊普通商品后直接進入商品詳情頁，可以直接加購和下單。點擊直播后進入直播間詳情頁，可以觀看直播詳情并在直播間中下單。

不同的內容類型是為了提升用戶在平臺上的可逛性，單一的內容只會讓用戶產生審美疲勞。

1.2 樣式

不同的內容前端展示的樣式完全不一樣，不同的樣式是為了適配內容的不同特性。

如上圖所示，普通商品樣式核心要突出商品主圖和商品標題，而商品聚合頁核心要突出此聚合頁的主題，讓用戶明白是哪些商品被聚合在了一起，具體商品的標題和價格等信息在詳情頁里面展示即可。同時即使是同一種內容，前端展示的樣式也會有多種。

如上圖所示，針對普通商品這種內容就會有長圖和方圖兩種樣式，長圖樣式適合展示那種圖片信息量比較多或者內容沖擊感比較強的內容，比如直播和視頻一般也都是長圖樣式，而方圖樣式適合信息量本身較少簡約風格的內容。

1.3 創意

樣式上的各種元素都可以稱之為創意，比如標題、封面圖、利益點信息、首單優惠信息等。

我們可以將創意分為兩大類型：主創意和附加創意。

對于電商領域來說主創意主要包括：圖片、視頻、標題、價格等，附加創意主要包括：價格優惠（先用后付、滿減）、售后服務（假一賠十、買貴必賠）、系統推薦（好評榜）、用戶行為（好友買過、收藏上千）等。

上圖即為淘寶首頁推薦場景相關創意的示例，通過給內容增加各種各樣的創意去促進用戶點擊，進而促成轉化。

二、樣式策略

我們重點介紹推薦場景下的單內容的樣式設計策略，任何一種樣式都是為了更好地呈現內容，給用戶帶來更好的視覺體驗。我們在設計樣式時需要注意以下幾個基本原則。

（1）信息的完整性

樣式中必須包含完整展示該內容的核心元素，比如商品樣式必須得包括商品主圖、標題和價格，店鋪樣式必須得包括店鋪標題和封面圖。

單個內容樣式展示信息過多時會使得整個頁面非常雜亂，有種牛皮癬的感覺，展示信息過少又無法讓用戶獲取核心信息。

所以正常情況下單個樣式的行數不會超過四行，單行內容無法展示完全時也直接是縮略，不進行折行展示。

（2）內容和樣式的適配性

樣式是為了更好地展示內容，所以樣式尺寸大小需要和內容類型進行適配。

比如短視頻平臺上視頻和直播內容都是豎版長圖樣式，而電商平臺上商品和店鋪內容基本都是方圖樣式，當然也有部分商品是長圖樣式比如美妝時尚類目，是因為用戶在購買這些商品時需要更多的美感視覺刺激，而家電類商品核心在于產品功能和價格，產品的美觀反而不是最重要的，所以此類商品使用方圖樣式即可。我們在上線一個新樣式時都是需要做AB Test小流量實驗，對比新舊樣式的線上效果。

這里面有一個誤區，就是長圖樣式和方圖樣式的效果對比，因為長圖樣式占據屏幕面積大，先天性的CTR就高于方圖樣式。所以我們在對比長圖和方圖樣式時，不能僅觀察單個素材的CTR對比效果，需要關注推薦大盤整體的效果。

比如說在商品內容上上線了長圖樣式，商品內容可能CTR有了比較大的提升，但是推薦大盤可能CTR下降了，因為長圖樣式將占據更大的屏幕空間，導致用戶下拉深度變小了。所以我們在做新樣式升級時一定既要觀察單個素材的效果變化，也要關注大盤整體效果的變化。

三、創意策略

創意分為主創意和附加創意兩大部分，主創意里可以繼續細分為圖片、標題、視頻創意等，關于主創意的策略設計我們將在后續章節單獨寫文章進行詳細介紹。本部分里我們核心介紹附加創意里的推薦理由生成。

3.1 推薦理由是什么

首先什么是推薦理由，我們為什么要專門去介紹推薦理由的生成策略了？

推薦理由，字面上的意思就是為什么給你推薦了這個物品，也可以被叫做推薦解釋。在推薦結果上增加一些“推薦理由”的目的也很簡單，就是為了提升推薦結果的可解釋性，進一步提升點擊率，推薦理由可以說是附加創意里最重要的一種創意類型了。

目前在各個領域的APP上基本都會有推薦理由，挑選了9家比較有代表性的公司給大家介紹一下：

（1）電商領域

• 淘寶：“1000+美食愛好者買過”；是為了告訴用戶這個商品很多美食愛好者都喜歡買，你也不能錯過；
• 京東：“近期超千用戶買過”+“為你探索的熱搜商品”；同樣是為了告訴用戶這個商品是很多人共同的選擇以及最近熱門搜索的商品，你也可以嘗試；
• 拼多多：“男高幫休閑鞋銷榜第1名”；直接告訴用戶這款鞋子很火，銷量排名第一；

（2）本地生活領域

• 美團：“海淀區新店，快來種草吧”是為了告訴你有新店，可以來嘗嘗新；“經典必吃紅燒牛肉米粉”是告訴你經典款不容錯過；
• 大眾點評：“五道口北京菜口味榜第一名”和“2022上榜一鉆餐廳”都是通過排行榜的形式來告訴給你推薦的這些餐廳都是榜上有名的餐廳；
• 盒馬：”回頭客3.2萬人“是通過歷史上有大量人復購來告訴你這款商品很不錯；

（3）內容領域

• 知乎：“超過9.1萬的用戶關注了TA”是為了告訴你這個創作者的粉絲很多，在一定的領域具有一定的影響力，你可以看看；“你關注的XXX贊同”是為了告訴你關注的某個博主對這個內容也很感興趣，你也可以看看；
• 視頻號：“XXX朋友點贊過”，和知乎的那個推薦理由差不多，都是基于社交屬性來設置的推薦理由；
• 網易云音樂：“根據常聽推薦”表示這首歌和之前你經常聽的歌很相似；“昨日上萬播放”表示這首歌昨天很火，給你推薦你也可以嘗試聽聽；

我們可以通過三大領域，9個APP的推薦理由案例發現一個好的推薦理由其實是可以提升用戶的點擊欲望，讓推薦結果更加透明化；

3.2 推薦理由的作用

為什么推薦系統的推薦結果展示要添加推薦理由，其實這和我們日常生活也都是息息相關的。

• 場景一：當我們想看一部電影卻不知道該看什么的時候，我們會咨詢朋友的意見，朋友們會告訴我們XX電影好看，主演是XX，劇情非常好，演員的演技也很好?！皠∏榉浅：?，演員的演技也很好”其實就是我們生活中給出的一種推薦理由。
• 場景二：當我們去一家餐廳吃飯不知道點什么的時候，我們通常會叫來服務員問他有沒有什么菜推薦。服務員會說”這幾道菜是我們店經典菜必點，這道菜是我們店剛剛上新的新菜可以嘗試一下“。其實服務員給出的推薦理由和大眾點評和美團給出的推薦理由邏輯是一樣的。

一個值得信任和說服力強的推理理由會降低我們的選擇成本和決策時間。

如果我們將現實中的推薦場景同樣復制到互聯網上，在為用戶推薦某一個商品或者服務時，不再是只告訴商品或服務是什么，同時也告訴為什么給他推薦這個商品或服務時。

• 從平臺側，提升了推薦結果的透明度，提升推薦結果的可解釋性，進而提升推薦結果的點擊率；
• 從用戶側，提升了用戶體驗，用戶更加信服推薦結果。

如下表3-18所示，一個好的推薦理由應該具備以下三個核心要素：可解釋性強、準確度高和信服度高，三者缺一不可；

在2023年這個時間點，在頭部互聯網大廠的APP推薦結果里基本都已經附上了推薦理由，只是推薦理由的覆蓋度并沒有很高以及種類比較少。

隨著推薦系統的進步以及用戶自主意識的不斷增強，推薦系統的透明化以及結果可解釋性也需要不斷增強。

推薦理由就是一種很好地提高推薦系統透明度，提升推薦結果可解釋性，拉近系統與用戶之間距離的方式，未來所有的推薦系統里都需要加上推薦理由。

3.3 推薦理由生成策略

首先我們將推薦理由進行分類，然后基于不同類型的推薦理由介紹不同的生成方式。如下表3-19所示，主要分為以下5大類。

（1）用戶特征

一般分為兩個大類，一個是用戶的行為特征，另一個是用戶的偏好特征?；谟脩粜袨樘卣鞯耐扑]理由生成基本都是統計學的方式，就像上文中盒馬的例子”你經常購買的商品“；而基于用戶偏好特征的，一般都是使用Item-CF算法，將基于Item-CF算法召回的物料都可以加上這類的推薦理由”根據常買推薦、根據常聽推薦“?；谟脩籼卣鞯耐扑]理由可以在各個領域使用，是一種普適性的推薦理由。

（2）行業權威

這類主要用在一些內容和媒體領域，一種是將一些行業大V關注或點贊過的內容推薦給其他用戶；一種是基于用戶現有關注的一些大V，從他們歷史曾經點贊過的內容中尋找和用戶興趣愛好匹配度比較高的物料進行推薦，然后附上推薦理由，可以進一步提升點擊率。

（3）熱門潮流

可以分為很多種類型，比如近期流行的和歷史上榜的。這類推薦理由基本都是通過統計學的方式來進行統計，尤其是排行榜類的信息，在很多電商公司會基于各種類目和屬性的組合生成五花八門的排行榜，一個平臺上的排行榜可能有幾千種。

（4）社交關聯

基于社交屬性的推薦理由其實是在相關社交軟件或者媒體軟件上經常使用的，在我們瀏覽視頻號的時候，如果一個視頻被很多微信好友點贊過，這個視頻里面會被放在首位推薦給我們，甚至視頻號還會有醒目的紅點提醒我們點擊觀看，這就是一種基于微信社交生態專門有的推薦理由，我們看到這個視頻下有哪些好友點贊了，我們就可以再去找這些好友聊這些視頻，創造共同話題。

（5）好評如潮

基于歷史用戶評論信息進行好評挖掘，然后再進行一個千人千面的用戶匹配。因為評論信息中各種各樣的信息都會有，有的評論側重于產品功能，有的評論側重于使用體驗，如何實現推薦理由與用戶之間的千人千面匹配而不是一個推薦理由分發給所有用戶這是技術上的難點。

3.4 推薦理由生成和使用的挑戰

推薦理由可以讓我們的推薦系統更加透明化，提升用戶的點擊率，但是實際在落地時還是會有很多技術難點需要突破以及合規性需要注意。

（1）如何保證推薦理由的準確性和及時性

推薦理由的準確性是必須要得到保證的，不然會起到反作用。同時推薦理由的及時性也很重要，比如“熱門潮流”類的推薦理由，此類推薦理由就需要及時更新，很多SKU可能在夏天是流行的，比如西瓜、雪糕等，到了秋天立馬就不再是流行的了，所以相對應的推薦理由我們也不能再使用。

（2）如何保證披露信息的合規性

推薦理由里面的信息是不是都適合披露，都是合規的？比如基于用戶評論信息里面的一些信息，很多評論可能會比較直接或比較敏感，雖然確實和商品有關，但可能不適合直接披露在最外頁給用戶展示。還有一些類似于功效的商品屬性信息，有一些信息可能不適合直接披露給用戶。

（3）如何做到更進一步千人千面的適配和動態生成

這個是目前推薦理由領域最大的挑戰和重點攻克的方向。我們上面介紹的很多種推薦理由其實都是千人一面的，當一個SKU被推薦給所有用戶時可能使用的推薦理由都是一個，比如排行榜信息。而推薦系統需要做到的就是千人千面，以往實現的是千人千面用戶和物料的匹配。

未來需要實現的是同樣一個物料推薦給不同用戶時可能推薦理由也是不一樣的，需要做到推薦理由的千人千面動態生成，而不是單純離線千人一面的生成方式。