推薦算法在日常生活中的應用已經越來越普遍。在交友軟件這一領域，平臺要怎樣通過推薦算法，為用戶提供合理的匹配人選和舒適的交友體驗呢？本文以探探的推薦算法為例，分析了探探在交友匹配上的推薦邏輯，希望能對你有所啟發。

筆者一直對推薦算法有濃厚的興趣，原因在于，做PM的一大樂趣就是揣摩用戶心理，而做推薦策略的最終目的，就更是要猜中用戶所需，因而可以把這項樂趣發揮到極致。

本次的主題是探探的推薦策略思考，所以我們從推薦算法開始講。常用的推薦算法為基于用戶/物品的協同過濾，解釋一下，思路就是：找到與你相似的用戶，根據他的興趣向你推薦；找到對該物品感興趣的人也對其他什么物品感興趣，建立物品與物品的聯系，進而進行推薦。

比如說呢，張三買了啤酒和可樂，李四也買了啤酒和可樂，那么當張三又買了棉花糖，那么就向李四推薦棉花糖；當我們發現買了啤酒的人多數都又去買了可樂，而沒有人去買棉花糖，那么就可以向買了啤酒的人都推薦可樂。

推薦算法已經融入生活中了，目前常用于這么幾個領域：

除掉協同算法外，推薦也要基于大量的用戶行為和物品信息。就像如果要給一個朋友推薦可心的旅游去處，那么我需要先了解他的興趣愛好，再了解各個旅游景點的特點，才有可能得出一個符合預期的推薦結果。

所以呢，PM首先要了解自己產品中的物品和用戶，而對于上面說的應用場景，PM去設計推薦策略的時候，側重點和實操是有所不同的。

比如說，購物類產品，需要分析的是物品標簽（分類/價格/熱度/瀏覽-購買轉化率/與其他物品相關度……）和用戶標簽（地區/消費水平/搜索記錄/瀏覽記錄/收藏記錄/加購記錄/購買記錄/退換貨記錄……），而各個標簽的所占權重應有不同，在購物場景中，“購買并確認收貨”應作為最重要的行為來統計。

那么對于音樂和視頻類，很重要的用戶行為就是播放次數。資訊類里，要考慮的是用戶閱讀全文/評論/分享的行為，另外區別于其他產品，資訊類產品中要更多的考慮時效性，畢竟老電影可以成為經典，老新聞只能壓箱底咯。

下面來仔細聊一聊社交。社交產品是不好做的，因為這個場景不算得那么剛需，而且互動是發生在用戶之間的?；谌祟惐旧淼膹碗s性與不確定性，推薦人與人認識比推薦物品讓人下單要來得難得多。但另一方面，正是這樣不確定性增加了工作的可探索性，并且探究人類的心理學本身就是一種觀察自己的趣味所在。

言歸正傳，以探探為例，它的玩法是上傳自己照片，然后去瀏覽他人照片，喜歡的右滑，不喜歡的左滑，當兩個用戶互相右滑時，算作匹配，就可以開始聊天。如果中途不喜歡，則可以解除匹配關系。

通過對身邊用戶的觀察，我做了一個用戶行為路徑和一個使用感受圖示。

這兩張圖說明了什么呢？從開始滑動照片，到最后成為朋友，是經過了好幾層判斷的，像一個多層漏斗，每一層流失率相乘，使得最終交友成功的概率偏低。

而低概率的結果不免使人氣餒，加上年輕人本身存在的社交需求，便產生了圖二的現象：“好無聊，需要人陪，打開app吧”→“app上的人好無趣，卸載吧”→“還是無聊，再去看看吧”→“還是不行，卸載吧”……形成循環。

這種循環自然是PM不愿意看到的，根源問題在于每一個環節向下走的概率都不高。筆者認為，概率低并不在于用戶質量，而在于匹配度。就像人與人成為朋友一樣，是因為合適才做朋友，而不是簡單說因為對方是個好人。所以優化推薦策略，提高用戶匹配度，從而利用好用戶本身存在的大量社交需要，是非常有必要做的事情。

那么第一步呢，完善用戶標簽。通過對探探app的探索+對用戶行為的觀察，我取了一些會對合適概率有影響的數據作為標簽：

第二步呢，找標簽與匹配度之間的關系。首先從用戶本身畫像上，條件相似的人優先推薦，因為一般來說，人類的本質是自戀的，對于和自己相近的人會多一層欣賞，相似性也會帶來共同話題。另外探探的用戶群體中，大量分布在一線城市，這群人必然來自五湖四海，對同鄉的歸屬感是有的。所以在硬性條件中，它們的權重占比應該是行業>地域>工作領域>個性標簽>興趣愛好。

行業放前面是因為行業相關的話題容易找。為什么把興趣愛好放在最后面呢，因為經過觀察，我發現填“電影/食物/音樂”這種非常泛化的愛好的人，其實根本沒什么愛好可言，他們只是隨便看看而已。

其次在占比之外，可以分析一些匹配的人之間各硬性條件的相關性，比如A行業的人一般青睞B行業的，X地域的對Y地域的反饋都不錯。這里我沒有太多數據可參考，只能講講思路。同時在分析過程中，應該刨除掉被滑率過高或過低的用戶，以免使得分析結果偏頗。

這里也可以引出一些還可以優化的點。例如，在用戶自己填寫個性標簽和興趣愛好這里，可以引導用戶不要填太多，因為太長的東西真的沒人看。不如說興趣少寫幾個，但鼓勵用戶具體一些，寫出喜歡的電影名字，喜歡的歌曲名字。之后再利用這些具體的愛好去做匹配推薦，從而提高用戶匹配意愿度及提供可聊的話題。

再說用戶行為上，可以考慮的點是，同一時間在線的優先匹配（當然基于大多數用戶是晚9-11點使用app，所以這條影響或不大），被青睞率（=被右滑次數/被瀏覽次數）相近的人優先匹配，主動聊天率與聊天回應率相似的優先匹配，聊天時長相似的優先匹配，解除匹配率和被解除匹配率較高的，盡量錯開不相遇。

這樣考慮的原因有這樣幾個。

第一呢，被青睞率相近的用戶，表示他們的顏值水平相近?？陀^地說，探探作為一個照片交友平臺，顏值在右滑的可能性中占了決定性因素。而人類的顏值分布大概符合正態分布，一頭一尾的都不多。我們的用戶，必然也多處于中間層。因此推薦被青睞率相近的用戶，兩個人能夠match的可能性更大。當然從產品整體策略上來說，對于新人用戶，應該優先匹配被青睞率高一點的，以建立用戶對產品的良好第一印象。

第二呢，對于聊天這件事，用戶的意愿度可以劃分為：A會主動開聊/B不開聊，會回應/C不聊天也不回應。A類用戶自然是最招PM喜歡的，但是把兩個A類用戶湊在一起會很浪費，用A去調動B才是效益最大化的做法。對于C類用戶，只能用些別的手段促進活躍度，比如在匹配之后主動推幾句招呼語供他選擇+誘導發言語，這樣降低了用戶的輸入成本，間接提高聊天意愿度。

第三呢，統計聊天時長，是為了反映用戶的聊天習慣，及間接反映人的可聊度，因為如果冷場，對話就不會持續太久。

第四呢，要錯開容易解除匹配的人。因為這類人可能比較挑剔，互相挑剔的話不太容易發展關系，需要其他較溫和的人做互補才好。

最后呢，可以考慮在產品設計上增加一個他人評價的功能，因為他評可以給其他用戶提供較高的參考意義。當然為了防止亂評，用戶自己可以決定哪些標簽用來展示，但是不允許編輯。評價可以提供一些事先定義好的標簽，比如幽默，溫柔等。這樣其他用戶也可以預設自己喜好的類型，從而提升匹配的可能性。

以上?？偨Y：做社交產品的推薦策略應該結合心理學去分析用戶行為與用戶表現之間的關系，再在推薦算法的基礎上，去盡可能給到用戶心儀的其他用戶。

附，由于筆者無實際數據亦無推薦類PM經驗，本文看法或過于淺薄，如有出入，感謝指正。