你可以积累越来越多的用户，用户的历史行为会有助于你对长尾内容的理解。

　　作者 | 极客公园

　　这是极客公园「极客公开课 · Live」2017 年第一期的活动，来自 Hulu 北京研发中心的研发总监周涵宁 Eric，和我们分享了在视频产品中的推荐系统模型，以及他在 Hulu 的相关技术产品经验。

什么是「极客公开课」？

　　1 位技术产品大牛和 10 位优秀技术产品人围绕技术产品相关话题，面对面深度分享和讨论，共同创造更优的知识与更高的学习效率。

　　而现在，这种深度的交流方式属于每一个人，知乎 Live 同步线上实时问答，随时随地参与提问互动，与数百人共创一本知乎 live 版的「课堂笔记」

　　每周 1 次，全年 50 场，极客公开课，推动产品人的自我迭代

　　以下为本期课堂笔记精华摘要：

　　什么是推荐系统？

　　最早的视频推荐系统，我们可以追溯到街角的「录像店」——在那里你可以租赁到自己喜欢看的碟。但是有了视频网站后，用户便可以在家通过 APP 打开智能电视，或者直接上网，找到他要看的视频、电影。所以推荐系统首先要让用户「能够」找到他想看的内容，其次，在找的过程中，还要让用户找的更爽。比如有个用户进来看了一堆内容，那么我们把他看的所有的历史行为，嵌入到推荐引擎当中去。这个推荐引擎就会生成个性化的频道，atv，下次这个用户再登录，或者都不用下一次，过 5 分钟之后，他看到的内容就会根据他最近发生的历史行为发生变化，这就是推荐系统的基本逻辑。

基于用户行为的推荐的局限性

　　刚刚说的这种方法叫基于用户行为的推荐，当然是有一定局限性的。比如你只有一个用户行为的时候，你就不知道他会不会看一个从来没人看过的内容，这其实就是长尾问题。当你可以积累越来越多的用户，用户的历史行为会有助于你对长尾内容的理解。

基于用户行为的三代推荐系统模型

　　推荐系统最终可以抽象成一个优化目标的问题。

　　我们要想一想，这个推荐系统到底在为谁服务？实际上它在为三类不同的利益相关方在服务：

　　第一个：用户。用户是为了能够更方便找到他想看的东西。

　　第二个：平台本身。平台希望连接服务提供商、内容提供商和用户，他希望赚钱。

　　第三个：内容提供商，因为内容提供商如果能有更多露出，他在这个渠道上，就会获得点击量或者/和品牌效应，那么他就可以通过一些方法变现，无论是广告的方法还是在一些离线渠道收买的方法。

　　所以一个推荐算法要同时服务三个利益各不相同的相关方，这本身导致了一个矛盾性。

　　协同滤波

　　最早的算法其实比较简单，叫协同滤波。就是相似的人，我会给他相似的内容，那么怎么定义相似的人呢？那就是他们之前具有相同的行为，但这个地方就变成了一个死循环。

　　后来有人想到一个方法，就叫协同滤波，就是用一个 interactive 的方法去 train，两边互相学，然后收链，这是一个比较标准的方法。那么在我们的系统里面用了大概接近 7、8 年吧，也比较成功。

　　我们每一个展示叫一个 train，比如 Top picks for you 这是一个最标准的 record train，就是推荐 train.

　　第二个是 you may also like，你可能也会喜欢，这也是一个推荐的 train。

　　第三个就是一个子类别。一般大的类别就是言情、动作片，其实这个类别我们还分了一些小类别，比如说这个叫做法庭判案，实际上是动作片下面的一个主类别，这个也可以用推荐算法来产生。

　　这个叫 auto play，现在国内大多数网站都会有的功能，你看完了一个就自动播下一个，这个也是根据推荐算法来产生的。

　　矩阵分解

　　现在的产品中我们使用的是矩阵分解的方法。