按：做社群產品，內容推薦是一個繞不開的話題。傳統論壇按版塊分發內容的模式具有被動、低效等侷限性，已不再適合如今快節奏的閱讀模式，使用者不再有大量的時間「沙裡淘金」，因此基於內容的推薦模式被越來越多地應用到內容社群產品中。本文依據前人對內容推薦的研究，綜合自身實踐，簡要討論內容推薦的一些落地方式。
什麼是內容推薦
內容推薦是「基於內容本身的推薦」，即將內容進行分析後建立特徵，然後依據這些特徵給使用者進行推薦，這種特徵往往用「標籤」來定義。標籤在整個內容推薦體系中具有很重要的作用。那麼如何進行標籤的制定，即所謂「打標籤」呢？
內容標籤
1. 使用者自行打標籤 使用者自行打標籤有兩種方式：一是使用者在平臺預設標籤下生產的內容會自動打上對應標籤，二是平臺允許使用者自行新增一些標籤。後一種方式可能由於使用者對內容把握不足，或惡意操作，導致大量冗餘標籤或噪音標籤產生，不利於後期維護。 2. 機器自動打標籤 使用機器進行打標籤，有一定的開發成本。一般可以結合分詞技術和 TF-IDF 來提取關鍵詞作為標籤。這裡需要注意的一點是，這種打標籤的方式對文字的依賴度較高，如果社群內容為音訊、視訊等多媒體內容，這種方式僅能作用於內容的標題，因此可能會受一些「標題黨」的干擾，但總體打標籤效率比較高。 3. 運營人工打標籤 運營人工打標籤是一種最笨，但也是最有效的方法。通過運營人工干預，可以對內容標籤進行復核，使標籤和內容匹配度更高；同時通過運營介入，可以人工設定關聯標籤，將關聯標籤進行聚類處理。
因此，一般的做法是，使用者在某一預設標籤下生產內容，由機器進行自動打標籤後，運營進行人工標籤複審。
使用者標籤
除了內容標籤外，如果想做到更精細化的推薦，還需要給使用者進行「特徵化分析」，也就是給使用者也打上標籤。使用者和內容的互動，如點選、瀏覽、點贊、收藏等，都可以作為給使用者打標籤的基礎。 使用者打標籤的過程需要注意兩點，一是由於熱門內容會干預使用者的標籤，因此對於熱門內容的標籤，需要做降權處理；二是使用者的興趣會隨著時間衰減或發生變化，這時需要對使用者的標籤進行清洗，可以給內容增加「不感興趣」的選項，使用者觸發後則對此標籤做降權處理。
冷啟動
每個內容平臺在初期都會遇到這樣一個問題：巧婦難為無米之炊。新平臺總會遇到，要麼使用者行為或偏好資料過少，要麼內容數量不足的情況。這時候應該如何進行內容的推薦呢？
- 使用者首次使用時，可以引導使用者進行所感興趣的標籤選擇，然後將該標籤下的熱門內容推薦給使用者；若使用者不選擇標籤，則可以採取全站熱門推薦或人工篩選推薦，將平臺中絕大部分使用者關心的內容進行推薦
- 如果平臺中新內容較多時，可以在推薦時選取部分新內容進行推薦，每通過推薦增加一次閱讀，傳播度 +1，若起傳播度高於某一預設的閾值時，可以認為該新內容值得推薦，更多進行曝光。這種方式可以解決新內容的冷啟動，也可以增加新內容的曝光量。
推薦方式
首先預設一個推薦的目標：將較新的、優質的、使用者可能感興趣的內容推薦給使用者，會涉及到以下三個維度：
- 新（timescore） —— 反映內容的實時性（使用者無關）
- 優（qualityscore） —— 反映內容的質量（使用者無關）
- 興趣（interestscore） —— 使用者的個性化需求（使用者相關）
關鍵節點
- 計算時間衰減得分：時間越新，得分越高。參考函式：1/log(a*x+10, 10)，其中 x 為發表日期與當前日期的時間差，a 為常量。
- 計算內容質量得分：綜合內容的閱讀、點贊、收藏等維度計算得出。參考函式：sum(c/(1+exp(-(x-a)/b)))，其中 x 為影響因素的數值，a 為該因素的均值，c 為影響因素的權重，b 為常量。
- 計算影響使用者興趣的因素
- 去重：已推薦給使用者的內容應從推薦列表中移除。
- 控制數量：一次推薦給使用者的數量不宜過多，可從某一數量開始逐漸遞增或遞減。
- 控制邊界：在極端情況下，會出現完全無內容推薦或推薦內容被消費完全，這種情況下應允許不進行推薦，而按照時間維度展示所有使用者關注標籤的內容。
其他注意點
1. 時效性內容 對於與時間強相關的內容，例如新聞或突發事件等，需要與普通的推薦內容區分開，做單獨的推薦通道。
2. 內容排序 受順序效應影響，在推薦時應注意推薦內容的排序，和使用者最相關、質量最高的內容應排在頂部。通常在有使用者資訊的情況下，可以將推薦出的內容按和使用者相關度進行排序；若沒有使用者資訊時，則可單獨依據內容本身的質量進行排序。
3. 長尾內容 平臺裡一般都會存在一些長尾內容，這部分如果不進行推薦，則很難觸達使用者。針對長尾內容，可以在一定維度進行統一提取後，當做新內容重新進行推薦，但需注意時效性內容不適合使用此方法。