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

文章介紹了通過建大池、粗篩、細篩、精篩，四個步驟搭建內容池的一個過程，與大家分享，希望可以給大家帶來啟發。

個性化推薦產品有三個核心要素：用戶、內容和數據。今天專門分享一下構建內容池方面的一些心得。個性化推薦產品的算法是相似的，差別就在于內容上。視頻，商品，新聞，音樂，形態各異，消費方式各異，但構建內容池的思路是相通的。

對于一款個性化推薦產品來說，構建一個好的內容池一般分為四個步驟：大池->粗篩->細篩->精篩。構建過程和使用過程剛好互逆：優先召回精篩池，隨后才可能是細篩、粗篩、大池。

下面以構建一個視頻類個性化推薦產品為例，分別詳細說明。

建大池

首當其沖就是粗略規劃好自己的內容的原始來源。要干推薦這活，首先要問自己：內容哪里來？內容原始來源一般有三種：生，買，借。

第一種，生。

也就是自食其力，鼓勵用戶在自己產品平臺上創建內容，俗稱UGC，比如快手就屬于這種，以及自己組建編輯團隊創建內容，大多數媒體型網站都屬于這類，俗稱PGC。這一類內容都是自己的，算是站內資源。如果站內資源較為豐富的話，那就好辦了。當站內資源都足夠優質時，則可以直接作為內容池，但實際上大部分網站的內容都有不少雜質，尤其是UGC內容。

從站內資源中找到符合要求的內容，不外乎兩個思路。一個是做減法；一個是做加法。做減法就是找那少部分不入流的將其去掉，適合大部分內容都是優質的情況；做加法就是從雞群中找立鶴。什么樣的內容會是好內容？通常有幾種：

1. 經得起時間檢驗的內容，通常是專業編輯們過目之后的內容，比如：各個網站的首頁、頻道首頁、專題等
2. 數據效果好的內容，比如：推薦/搜索模塊點擊量、點擊率較高的（好壞的衡量指標根據產品目標而定，可以是點擊率、UP值等）
3. 可信任的內容源產生的內容，比如：視頻網站的優質PGC

第二種，買。

通過公司之間的合作，得到好的內容，例如淘寶的商品被推薦在微博上。這個多是商業合作，此處不講。

第三種，借。

站外抓取這件事是一個風險極高的事。第一個就是版權問題，當然可以通過避風港原則來規避這一點；第二個就是技術問題，如一旦抓取目標網站頁面結構變化，就影響抓取的效果，頁面轉碼以統一成自己平臺的風格；第三個是基因問題，某個站的內容已有一定的基因，是否適合自己的平臺，一股腦放出去可能是有違和感。那為什么這么多風險，我們還是建議要“借”呢？高風險，高收益嘛，你懂的。

當拿到初始化的內容后，推薦的大池就完成了。

粗篩池

我們已經“警告”過，構建大池，勢必會引入一些雜質。雜質是沒有資格在一個應用內流轉的。我們所說的雜質包含：

1. 背離產品價值觀的，如低俗擦邊球，色情的；
2. 干擾用戶正常消費的，如騙點擊內容，垃圾內容；
3. 威脅平臺存活的，如政治類內容。

構建粗篩池，就是從大池中將這些沒有資格的內容分揀出來扔掉，同時進行初步的質量評價。

識別這些雜質，一般是機器+人工的模式。我們可以根據內容本身、內容提供商、抓取源等維度進一步對內容池去噪。

對內容質量打分，主要就是構建一個打分模型，利用相關特征擬合一個分數。對于一個視頻網站，可以用到的特征有：內容的發布時間、視頻長度、視頻熱度、非廣告/政治敏感/色情/黑名單、標題質量，以及視頻的歷史表現，如點擊率、點擊量、停留時長等。

對內容提供者打分方法類似，主要區別在于特征，對于視頻應用來說，可能有：上傳者歷史視頻的播放量、點擊率、播放完成率、贊/踩等；上傳者的等級、活躍度、社會影響力等。

最終，根據內容質量分數和內容上傳者分數，就建立了一個內容池優選模型，對已有的視頻做一個排序，其中低質和劣質的內容可以直接過濾掉。

細篩池

細篩池是在粗篩池之上，結合具體的推薦場景和業務目標，進行一些人為干預：人工調權、調整多樣性等。

先說人工調權，需要首先增加一個字段，專門用于設置人工權重。大家不要覺得一提到人工調權就有點“拿不出手”，其實人工權重是必不可少的，某些信息無法通過自有產品數據及時反饋到當前內容上來，如上傳者是微博上的KOL，或是視頻網站的PGC，這些站外信息雖然人知道，但是沒有數據就無法讓機器知道，這樣就可以通過人工對其調權，以此將其反應到自己的內容池中。

再說多樣性。內容池在各個主體上分布一定是不均衡的，某些熱門的主題會內容較多，而某些冷門的主題會內容較少。這也需要人工干預多樣性，適當幫助補充一些冷門主題的內容池。

精篩池

內容池構建機制到目前，已經可以上線使用了。但是這其中無論是大池、粗篩池、細篩池，所依賴的模型還是離線構建的，調整起來有一定的延遲，在實時場景下我們應該考慮更及時的動態篩選。

因為我們要關心很多諸如這樣的問題：當內容池上線被用戶看到后，到底效果如何？低效的如何實時被淘汰？為了解決這些問題，所以最后設置了精篩池這個環節。

這需要采集實時的數據，具體流程如下：

結語

曾有大牛說過，推薦的影響要素中，產品形態（可以理解成UI/UE）占40%、數據30%、領域知識20%、算法10%。這里數據就包含內容池。

實戰當中，我發現內容池的重要性更是超過預期。在之前做視頻Feed的過程中，每一次播放量的跨越，幾乎都是內容池的功勞。如用CF方法對內容池進行擴量、內容池優選模型、內容池準入準出規則的調整等。所以推薦產品，尤其是內容產品，建議在內容池這塊花大力氣。

本文由 @吳迎賓 原創發布于人人都是產品經理。未經許可，禁止轉載。