最基础的信|信息流产品是怎么做的？召回|偏好|标签|信息流|创作者

编辑导读：信息流产品这个名词听上去挺唬人，但其实大家日常生活中经常遇见。今日头条的热点资讯，大众点评的推荐餐厅，小红书的种草笔记等等，都是信息流产品的具体形态。那么，构建一个最基础的信息流产品，需要哪些部分？具体是如何操作的呢？本文将从六个方面展开分析，希望对你有帮助。

文章插图
如今，信息流的产品形态已经贯穿到我们的生活中，与一切都息息相关。每日清晨打开今日头条，齐刷刷的热点资讯等着大家去阅读；休息时点开小红书，无数条种草点评映入眼帘；一到饭点饥肠辘辘时点击大众点评，不计其数的同城餐厅等待我们去挑选……在现今的移动互联网时代，平台通过成熟精密的召回算法和排序规则来聚合内容，用户在一个页面内就可以高效流畅地获取自己感兴趣的内容。
在以往文章中，我们讲述过关于信息流内容产品的指标搭建、常见分析思路和优化方法。那么，构建一个最基础的信息流产品，需要哪些部分？每个模块具体如何操作以及它的作用是什么呢？今天的这篇文章里，大家就能知道想要的答案啦。
一个最基础的信息流产品，涵盖了哪些部分？

内容：内容生产、内容理解、内容加工
用户：用户理解
策略：召回/推荐策略、分发策略、生态策略

文章插图
图示是构建信息流产品所需的基础大框架，接下来逐个分析各模块具体操作及对应作用。
一、内容生产内容生产即内容的供给，有需求就要有供给，只有供给充足，用户才能消费到足够多样精彩的内容。通常有以下几个方式生产内容：

自然创作者在站内发布内容
签约媒体及MCN等机构购买一些创作者/内容资源
抓取其他平台符合调性的内容。

在不同的产品目标阶段，不同来源类型的内容配比会不同。一些成熟的平台已经有非常完善的创作者生命周期管理和创作者激励/分成体系，由此可激励创作者发布更多更优质的内容。可见，内容供给就是内容型产品的根本。
二、内容理解内容理解即给内容打标签。标签——描述内容本身的特征，可以更好地理解内容，将合适的内容推荐给合适的用户。基于内容理解的标签有非常多的用途，除了作新用户的内容推荐外，可以作基于相似标签的相关内容推荐，也可以作个性化的内容推荐。内容通过海量标签生产内容特征，和用户的偏好进行匹配，形成千人千面的内容分发方式。
内容理解需要大量NLP方法，以及大量人工标注，用以确保标签的准确性。通常可以从内容本身和发布内容作者属性/行为来理解内容。例如一个短视频作品，它的标签就可以涵盖：

基础属性：时长、封图、标题、关键词、城市、来源等
类别属性：城市新闻、娱乐、猫狗等
预测类属性：原创度、风险分、内容评级、内容时效性、女生偏好、年轻人偏好等

三、内容加工不论任何渠道抓取、站点抽取或者平台作者自主发文的内容，通常都需要经过层层加工过滤。首先进行通用消重，然后通过机器审核的一些模型及人工审核过滤掉黑名单、低质内容、抄袭内容、不完整内容、涉黄涉暴等不适合在平台内展现的内容。
然后在内容分发过滤时根据对应规则，设定对应特征的内容可以分发给对应特征的用户等规则，例如用户评级评分、垂类等进行分发过滤。到了前端展示侧，根据频道主Feed页的推荐位进行个性化推荐分配，展示给用户。最后内容展示一定时间后会丧失其时效性，便不再展示。

文章插图
四、用户理解用户理解即精准地去刻画用户，涵盖用户的基础信息，职业、年龄、性别等，以及基于用户过往行为数据兴趣偏好标签，从这些数据中，我们可以获取大量的用户特征，对用户有更深层次的认知，例如这个用户喜欢什么类型的内容？更偏好什么类型的账号发文？活跃时间在每天的几点？
基于此可以从不同的维度去刻画一个用户，我们刻画得越精准越详细，就越能精准地发现并挖掘用户的需求，把用户所需内容推荐给目标用户，内容转化效率将会变得更高。

文章插图
五、推荐与分发策略推荐策略是基于海量数据分析基础上，通过内容及用户的多维度特征组合分数，进行计算，将个性化内容推荐给对应用户，解决信息过载的问题。推荐通常分为两个阶段，即召回和排序。