推荐策略如何解决重复推荐问题

　　你是否有这样的体会：信息流推荐的内容我已经看过。这是由于推荐算法存在重复推荐的问题，那么，针对不同的信息流，是否有改善该问题的方法？
　　前段时间接触了与推荐策略相关的工作，如今产品也顺利走上＂正确的道路＂。关于常见推荐算法规则及原理，网上有很多不错的相关文章，大家可以去搜索浏览。
　　下面主要聊聊推荐算法实验和常见推荐算法优缺点，以及内容重复推荐相关话题。
　　评测算法的方法
　　好的算法模型并不是一蹴而就的，而是不断训练慢慢打磨出来的。
　　那么，在打磨的路上如何评测推荐算法效果以及不同算法之间的优劣呢？
　　这里有3种实验方法供你参考。
　　1. 模拟实验
　　模拟实验主要通过用户产生的行为日志，比如对该条内容进行浏览、收藏、点赞等用户行为来生成推荐标准的数据集，再把数据集按规则分成＂训练组＂和＂测试组＂，在＂训练组＂上调教用户兴趣模型，在＂测试组＂上进行预测。
　　该实验好处在于，不需要真实用户参与，只需要从日志系统提取用户行为数据就可以快速计算出推荐效果。但缺点是无法得知用户真实转化指标，比如推荐点击率。
　　2. 用户调研
　　监控一批已体验推荐相关的用户，持续观察分析用户行为。
　　针对用户行为罗列相关问题，在调研中进行询问，最后根据问题及答案来了解推荐效果及满意度。
　　值得关注的是，准确率高不等于用户满意度高，更应该留意一些由推荐产生的内容有没有给他带来一些＂惊喜＂，更多偏向于用户主观感受。
　　也正因如此，从行为观察到问题归纳、用户邀约、最后调研结果分析等，实验调查流程及成本都比较高。
　　3. A/B测试
　　通过划分用户群，针对不同用户群采用不同推荐算法，统计出不同用户群体转化指标生成测试报告，谨记该实验唯一的变量就是算法规则，不允许有其它变量。
　　还有一点需要考虑清楚的是，满足什么样的条件用户去跑测试流程，A/B测试缺点在于周期长，短期迸发的测试结果无法保证真实性。所以，该实验适用于模拟实验和用户调研中效果比较好的算法模型，并不适用于跑所有算法，那样效率实在太差。
　　一类算法只能解决一部分问题，单一的算法难以达到真正的个性化，还需要算法与算法之间打组合拳，接下来聊聊目前常见推荐算法一些优缺点。
　　热度算法
　　1. 优点
　　能够有效过滤掉低质量内容，呈现给到用户都是大部分人都＂喜欢过＂的。对新用户相对友好，无需产生任何交互也能产生推荐列表；不存在推荐列表为空的情况，并且热度是相对的，热点不会一直都是热点，具有一定时效性。
　　基础热度分可以人为干预，比如，今天的热点新闻基础热度分要比今天普通新闻的基础热度分要高。
　　2. 缺点
　　针对用户层面精准触达精确度不是很够。
　　因为推荐列表是按热度进行排序，并不是基于个人兴趣喜好排序，单一的热度算法可以被＂刷榜＂，因此要做好相对措施。
　　采用热度算法典型例子：抖音
　　游客登录浏览前面几条视频多数为近期热度值为Top5内的，且上热门推荐是需要经过多个热度池大量用户检验，最后还要人工审核才能上首页推荐。
　　但不会持续超过1周，除非有大量的用户进行模仿跟拍，反推用户行为视频热度权重，用户＂跟拍＂行为的热度权重远大于收藏、点赞及分享。
　　基于内容推荐算法
　　1. 优点
　　对产品用户体量没有要求，不会因产品用户数的大小影响到该算法。因为每个用户产生行为相互独立，用户行为特征都是由自己的来决定，不存在干扰之说。
　　另外，该算法有较强的实时性，每当有一条新的内容就可以立马＂被推荐＂，推荐机会和旧内容是一样的，与时间新旧无必然联系。
　　2. 缺点
　　无法为新用户产生推荐列表，新用户没有历史行为数据也无法预测。
　　当没有用户行为特征，无法与内容进行匹配推荐。所以，多数产品会利用注册预填信息、首次登录成功着陆页的弹窗选择等手段，并结合热度推荐来进行冷启动。
　　但要注意这些动作是否会过分地打扰到用户，权衡用户流失和推荐精准度问题。
　　其次，基于内容推荐确定性非常强，所有推荐的内容都是由用户的浏览历史决定。单独使用该算法难以挖掘用户的潜在兴趣，所以该算法一般会与其他算法并存的原因也在这。
　　基于用户协同算法
　　1. 优点
　　在于能挖掘用户潜在兴趣，不断调整给用户制造惊喜。同时也有较强的实时性，有新内容同样立马能＂被推荐＂。
　　但与基于内容推荐差异在于，该算法除了平台本身产生的新内容外，还包含了用户交互行为所产生的新内容。
　　2. 缺点
　　启动门槛相对较高，对产品用户数以及平台内容有一定数量要求，并且对用户学习样本要求也高，学习样本书不足时推荐效果不理想，容易成为人工智障。
　　在KANO模型的需求分析上属于兴奋需求，所以在产品冷启动时一般不会优先考虑该算法。但在算法冷启动时，应该主动调教用户，如果能把用户圈到不同推荐雏形，对该算法会有一定帮助。
　　最后聊聊关于重复推荐问题
　　推荐算法最根本的意义，在于解决信息过载。如果推荐给到用户，是千篇一律的内容，那将毫无意义。
　　解决重复推荐可以从根源上压制，比如＂阅后即焚＂，当用户看过该条内容后即标记为已读，已读状态的内容不再推荐给该用户。
　　要定义清楚用户产生什么行为才定义为＂看过＂，是点击详情页就算，还是点开了＂查看剩余全文＂等行为，需要根据自身业务进行考虑。
　　上述的＂阅后即焚＂可以解决内容单条重复，但还无法解决同质化的问题。
　　以信息流产品为例，有A和B两篇文章：
　　1）A和B属于列表页和详情页都一致的文章
　　对用户而言只需要看A和B其中一篇就可以。所以，应该展示其中一篇适当的内容给予推荐，这里面的＂适当＂可以有两个维度：如发文时间（过滤搬运）、发布者信息（如果是新闻机构号权威一般大于个人号）。
　　2）A和B两篇文章属于列表页相同，但详情页不相同的情况
　　那么用户点击过A文章，短时间内大概率不会再看B文章。因为在用户的视角，他认为A和B是重复的，所以会大概率错过B文章，对于这类情况应该拉开推荐间隔。
　　3）A和B两篇文章属于列表页不同，但详情页相同的情况
　　需要考虑用户是否有＂看过＂其中一篇文章。如果看过A文就没必要再推B文；但如果都没有看过，那么可以进行推荐。因为列表页的差异会影响用户行为，一个标题一张封面都会导致用户是否会查看文章，所以这种情况A和B都有推荐的必要性。