產(chǎn)品經(jīng)理運(yùn)營(yíng)必知二三事

1、編輯導(dǎo)語(yǔ)：運(yùn)營(yíng)與推薦，仿佛是一個(gè)不可分割的共同體，只有運(yùn)營(yíng)沒(méi)有推薦，運(yùn)營(yíng)效果會(huì)大打折扣；只有推薦，沒(méi)有運(yùn)營(yíng)，推薦自然也是無(wú)法開(kāi)展。所以，運(yùn)營(yíng)達(dá)人們?cè)谡莆崭鞣N運(yùn)營(yíng)技巧的同時(shí)，也應(yīng)該對(duì)于推薦有所了解。這樣才能齊頭并進(jìn)，達(dá)到理想的目標(biāo)。不想當(dāng)廚師的采購(gòu)員不是好運(yùn)營(yíng)，對(duì)于一個(gè)內(nèi)容產(chǎn)品來(lái)說(shuō)，運(yùn)營(yíng)的日常的工作中，特別是內(nèi)容運(yùn)營(yíng)的同學(xué)會(huì)經(jīng)常和推薦算法同學(xué)有很多工作上的配合。運(yùn)營(yíng)同學(xué)像是一個(gè)餐館的采購(gòu)員，負(fù)責(zé)食材的采買(mǎi)，而推薦同學(xué)就像是廚師，結(jié)合用戶(hù)所點(diǎn)的菜單（偏好）采用對(duì)應(yīng)的食材做成用戶(hù)大概率會(huì)喜歡的菜肴。在這個(gè)鏈條里，運(yùn)營(yíng)同學(xué)在上游，如果引入的內(nèi)容/創(chuàng)作者不夠優(yōu)質(zhì)，就像采買(mǎi)的食材不夠新鮮高質(zhì)一樣，推薦同學(xué)

2、無(wú)論怎么努力都很難做出可口的菜肴。同時(shí)還有另一個(gè)問(wèn)題，即便運(yùn)營(yíng)同學(xué)采買(mǎi)了最好的食材，如果推薦同學(xué)做菜的方式有問(wèn)題，后者沒(méi)有最合理的使用食材，也沒(méi)有最大限度發(fā)揮食材的價(jià)值，暴殄天物了。因此對(duì)于運(yùn)營(yíng)同學(xué)來(lái)說(shuō)，不僅做好自己的上游工作，還非常有必要知道推薦的相關(guān)工作，這樣當(dāng)做出的菜肴不夠好吃時(shí)，我們才能及時(shí)發(fā)現(xiàn)是食材的問(wèn)題，還是做的方法有問(wèn)題？更快的進(jìn)行下一步的調(diào)整。對(duì)于運(yùn)營(yíng)同學(xué)來(lái)說(shuō)，首先需要了解的是：內(nèi)容是如何被推薦的？我們引入的創(chuàng)作者和他們的內(nèi)容，是如何經(jīng)過(guò)層層流程，決定是否被推薦，以及被給到多少流量的？?jī)?nèi)容在進(jìn)入系統(tǒng)后整體的處理流程，不同產(chǎn)品和不通過(guò)公司的處理是不太一樣的，但是整體邏輯上基本相同

3、，大模塊的業(yè)務(wù)邏輯基本如下圖。如上圖所示，當(dāng)用戶(hù)上傳一條內(nèi)容后，內(nèi)容會(huì)首先經(jīng)過(guò)安全審核的流程，安全審核主要是將一些違規(guī)，黃色暴力血腥的內(nèi)容剔除掉，未過(guò)審的視頻基本就永久屏蔽或者直接刪除。通過(guò)安全審核后，大部分內(nèi)容社區(qū)會(huì)有原創(chuàng)審核，將一些重復(fù)上傳或者搬運(yùn)的內(nèi)容過(guò)濾掉，原創(chuàng)審核大部分是依靠機(jī)器來(lái)審核的，未通過(guò)原創(chuàng)審核的就只會(huì)在用戶(hù)自己的個(gè)人主頁(yè)，或者粉絲的關(guān)注頁(yè)等私域展示。通過(guò)了原創(chuàng)審核后的視頻會(huì)再進(jìn)入第一道質(zhì)量審核，質(zhì)量審核主要是把一些無(wú)意義、無(wú)主題、雜亂的內(nèi)容過(guò)濾掉，通過(guò)了第一道質(zhì)量審核后，內(nèi)容將會(huì)被推薦系統(tǒng)納入推薦候選池，然后會(huì)給作品最基礎(chǔ)的流量推薦，目的是通過(guò)基礎(chǔ)流量后產(chǎn)生的數(shù)據(jù)初步判斷作

4、品質(zhì)量的好壞。如果基礎(chǔ)流量過(guò)后的數(shù)據(jù)反饋較好的話(huà)，就會(huì)接著加碼給到更多的流量推薦，拿到更多流量推薦后，如果數(shù)據(jù)表現(xiàn)不好，也會(huì)被停止推薦；數(shù)據(jù)表現(xiàn)好的，會(huì)再進(jìn)入第二道內(nèi)容質(zhì)量審核或者舉報(bào)審核。第二道質(zhì)量審核主要目的是防止前面的審核會(huì)有漏審，或者有一些不符合社區(qū)內(nèi)容調(diào)性的內(nèi)容出現(xiàn)。舉報(bào)審核是指消費(fèi)內(nèi)容用戶(hù)主動(dòng)點(diǎn)擊的舉報(bào)，收到過(guò)多舉報(bào)的內(nèi)容一定是有潛在風(fēng)險(xiǎn)，需要人工再次審核。通過(guò)第二道質(zhì)量審核，或者舉報(bào)審核后，作品將會(huì)被持續(xù)給到更多流量，進(jìn)入一個(gè)周期的推薦，成為內(nèi)容平臺(tái)重點(diǎn)推薦的候選內(nèi)容。但是在整個(gè)持續(xù)推薦過(guò)程中，還會(huì)有一些更細(xì)的審核流程，比如高熱審核，針對(duì)全平臺(tái)最熱門(mén)的視頻進(jìn)行審核，保證沒(méi)有風(fēng)險(xiǎn)，

5、同時(shí)持續(xù)進(jìn)行用戶(hù)舉報(bào)審核，及時(shí)發(fā)現(xiàn)潛在違規(guī)作品。持續(xù)推薦過(guò)程中，如果內(nèi)容的數(shù)據(jù)反饋出現(xiàn)下滑，那么會(huì)慢慢的進(jìn)行推薦冷卻，直至停止推薦。以上所有流程中，被停止推薦的作品，在后續(xù)的 過(guò)程中，也會(huì)因?yàn)橐恍┡既坏挠|發(fā)或者其它的召回被重新激活，給到更多流量進(jìn)行推薦。常見(jiàn)的比如遇到節(jié)日，過(guò)往節(jié)日類(lèi)的內(nèi)容就會(huì)被重新召回推薦。了解了上面的推薦流程后，運(yùn)營(yíng)同學(xué)就能對(duì)整體內(nèi)容的流轉(zhuǎn)有一個(gè)清晰的認(rèn)知，可以結(jié)合到自己的產(chǎn)品或者業(yè)務(wù)邏輯，細(xì)化整體的流程，這樣當(dāng)遇到問(wèn)題的時(shí)候，就能及時(shí)的知道目前內(nèi)容處在一個(gè)什么階段。上述的推薦流程中，能幫助我們厘清內(nèi)容流轉(zhuǎn)的邏輯，但是在上圖中的流量推薦模塊，到底是如何進(jìn)行推薦的，我們并不清

6、楚。為了搞清楚這個(gè)問(wèn)題，我們得先對(duì)整體推薦系統(tǒng)有一個(gè)了解。如果把推薦系統(tǒng)簡(jiǎn)單拆開(kāi)來(lái)看，推薦系統(tǒng)主要是由數(shù)據(jù)、算法、架構(gòu)三個(gè)方面組成。常見(jiàn)的推薦系統(tǒng)如下圖所示：在上圖的推薦架構(gòu)中，數(shù)據(jù)存儲(chǔ)模塊，主要是負(fù)責(zé)存儲(chǔ)內(nèi)容索引（一種對(duì)應(yīng)到內(nèi)容的邏輯標(biāo)識(shí)，便于找到內(nèi)容）、用戶(hù)特征（包含用戶(hù)的畫(huà)像信息，興趣點(diǎn)等）、用戶(hù)日志（包含用戶(hù)在客戶(hù)端對(duì)內(nèi)容產(chǎn)生的一些行為，比如：點(diǎn)擊、點(diǎn)贊、分享、評(píng)論等）。推薦算法部分，會(huì)通過(guò)內(nèi)容索引對(duì)內(nèi)容進(jìn)行召回，召回的候選內(nèi)容一般都比較多，然后會(huì)經(jīng)過(guò)一層過(guò)濾，將一些不適合推薦，或者其它運(yùn)營(yíng)、審核邏輯干涉的進(jìn)行過(guò)濾，然后產(chǎn)生的推薦候選池會(huì)進(jìn)行排序。排序通常分為粗排和精排兩個(gè)步驟，排序的

7、方式是通過(guò)用戶(hù)的特征，以及用戶(hù)的行為日志，將內(nèi)容排成用戶(hù)最有可能細(xì)化的順序。這樣最終的排序后的內(nèi)容就會(huì)推送到客戶(hù)端，按照客戶(hù)端實(shí)際的展現(xiàn)場(chǎng)景進(jìn)行展示。內(nèi)容展示后，用戶(hù)對(duì)其產(chǎn)生的行為就會(huì)通過(guò)日志重新上報(bào)，然后實(shí)時(shí)進(jìn)行日志的計(jì)算，用戶(hù)畫(huà)像更新和推薦指標(biāo)更新，比如 ctr 等，實(shí)時(shí)計(jì)算完成后，再更新到數(shù)據(jù)存儲(chǔ)中進(jìn)行最后的存儲(chǔ)。這樣，后續(xù)的推薦取得數(shù)據(jù)都是最新的。上述的推薦系統(tǒng)結(jié)構(gòu)圖，讓我們知道了推薦的上下游工作原理，也知道推薦系統(tǒng)的組成部分有哪些，在這些組成部分里，和運(yùn)營(yíng)日常工作中交集最多的部分，應(yīng)該是推薦算法部分，推薦算法中最核心的兩步就是：召回和排序。了解了這一塊，基本也就大概明白了推薦算法的原

8、理，以及我們遇到一些推薦問(wèn)題的時(shí)候，大概也能知道是哪一塊出了問(wèn)題。我們先來(lái)看下召回，什么是召回？召回就是指推薦系統(tǒng)通過(guò)某種策略從全量?jī)?nèi)容池中選取一部分出來(lái)，推薦系統(tǒng)召回的方式一般有很多種，比如常見(jiàn)的熱門(mén)召回、協(xié)同過(guò)濾召回、興趣標(biāo)簽召回等。單一的召回有自己的優(yōu)點(diǎn)，但同時(shí)缺點(diǎn)也會(huì)很明顯，因此為了有更完整、全面的召回，通常采用的是多路召回，如下圖所示：如上圖所示：如果我們根據(jù)召回是否有用戶(hù)個(gè)性化因素存在來(lái)劃分，可以分成兩大類(lèi)：一類(lèi)是無(wú)個(gè)性化因素的召回，比如熱門(mén)內(nèi)容或者歷史點(diǎn)擊率高的內(nèi)容的召回；另外一類(lèi)是包含個(gè)性化因素的召回，比如用戶(hù)興趣標(biāo)簽召回、協(xié)同過(guò)濾召回。簡(jiǎn)單解釋下這幾個(gè)常見(jiàn)的召回策略：召回之后的排序，一般分成粗排和精排兩個(gè)階段：精排的方式有很多，最初級(jí)的是策略規(guī)則排序（對(duì)各路召回，指定權(quán)重和規(guī)則進(jìn)行排序），后續(xù)有基于各種模型的排序，有LR （線(xiàn)性回歸）、LR+GBDT （線(xiàn)性回歸+樹(shù)模型）、FM （因子分解模型）、 DNN （深度學(xué)習(xí)模型）等。各種模型的排序較為復(fù)雜，很多不具備可解釋性，在這里不再贅述，感興趣的讀者可以