新浪微博推荐介绍

——谨以此文献给曾经努力过以及正在努力的微博推荐团队成员

推荐系统就是自动联系用户和物品的一种工具，它能够在信息过载的环境中帮助用户发现令他们感兴趣的信息，也能将信息推送给对它们感兴趣的用户。——项亮《推荐系统实践》

本文作为该博第一篇，在这里暂时不会做更多的技术细节讲解，先给大家初步介绍一下微博推荐的相关产品。介绍之前，先看看微博是啥，微博推荐要干啥？微博将信息通过用户关系进行传播，而微博推荐需要做的是合理构建用户关系，推动信息在用户之间的高效传播。

首先从被推荐实体的分类上将推荐业务划分为用户、内容以及服务三种。

* 用户推荐：在不同的场景下为用户提供关系推荐，促进用户之间良好关系的构建。

Web端的主体产品是首页右侧“可能感兴趣的人”。“可能感兴趣的人”主要以社交图谱为主，兴趣图谱为辅，同时扩充了属性、以及热门推荐。同时响应用户操作：换一换，加关注补充、不感兴趣沟通以及下拉悬停。那个给新任女友推荐出ex的就是从这个模块产生的，当然我不会告诉你们这个模块的工程师是谁的。：）

Web端的另外一个产品是用户profile页面的“他的粉丝也关注”以及加关注之后的弹层页，粉丝也关注，主要是通过关注协同运算得到的结果。

客户端的用户推荐场景会更多一些，其中最为重要的产品是feed流中的好友关注。这个是基于社交图谱的计算方法，同时在产品的展现形式上会比较多样。

比如：

再比如：

相比较pc端的profile页粉丝也关注而言，客户端profile页也有这个推荐形式，当添加一个用户的关注之后，产生如下图所示的弹层：

另外“新的好友页”以及找人中可能感兴趣的人也是属于用户推荐的范畴。

* 内容推荐：拉近用户与内容之间的距离，提升有效内容的传播效率。

内容推荐典型的推荐产品有四个：

> 正文页推荐：为访问单条微博的用户提供阅读延伸和扩展，这个项目的推荐集合中包括相关微博、话题、用户、电影、音乐、文章等等。主要的候选方式是content-based推荐。在web端也有相同的项目，只不过候选呈现多一些。

> 赞过的微博：以社交图谱为基础将优质微博在好友间传播，扩大赞行为的影响力，满足用户对优质内容的消费需求。

>错过的微博：信息突起【feed dumping】的一种表现形式，对用户的需求进行挖掘，满足用户对重要的错过信息的消费需求。

>Web首页右侧推荐：首页右侧包含了“可能感兴趣的人”、“热门话题”、“热门微博”、“热门音乐”以及“热门电影”5个模块，通过机器学习以及人工策略的方式来对每个人进行个性化的推荐。其中模块的位置以及种类每个人各不相同。

* 服务推荐：通过社交图谱向用户推荐垂直类的微博产品，满足用户各类兴趣需求，比如电影、音乐、图书、短视频、话题、图片以及商品等等。它主要集中在feed中，比如：

其次我们按照场景进行区分，会分成feed流内推荐以及feed流外推荐。

feed流中推荐我们称之为趋势，趋势中的推荐类型是比较多，初步计算应该有9-10中，由于feed使用户最为重要的消费渠道，也结合推荐自身社交媒体的属性，趋势要求推荐必须有关系桥梁。因此feed内的推荐基本上都是基于社交图谱的。趋势还在会根据每个用户消费行为动态决定每种类型出现的频次以及当前出现的种类。

对于feed流外的推荐就没有了关系这个限制，推荐的方式方法也是多种多样的，有基于内容的，比如正文页推荐；有基于协同的，比如粉丝也关注；有基于兴趣的比如web首页右侧微博推荐等等。

最后按照推荐方法进行区分，我们将微博推荐划分为四类：基于社交图谱的推荐、基于兴趣图谱的推荐、基于内容上下文的推荐以及基于行为上下文的推荐。

* 基于社交图谱的推荐：契合微博的社交属性，发挥社交优势，在一定程度上难度不大，但是效果比较好。举例：趋势中的好友关注、赞过的微博推荐。桥梁类型识别、桥梁权重、用户质量判别、多权重计算方式以及整体架构是其中主要的挑战点。

* 基于兴趣图谱的推荐：由于媒体属性的存在，微博用户在一定程度上会体现其对某类事务或者话题的亲睐，这些兴趣是可以进行挖掘乃至利用的。其根本的难度在于如何在信息碎片化比较严重的微博中准确挖掘用户兴趣，现在我们发现通过关系来映射兴趣是一个事半功倍的工作。

* 基于内容上下文的推荐：同样的用户来微博主要是为了消费内容，通过内容上下文做推荐来辅助用户做延展阅读就显得比较自然了。在正文页推荐中的经验证明，用户在碎片化消费内容的同时也会对相关内容消费有比较大的倾向。其中的难点在于内容向量的提取、相关性的提升等等。

* 基于行为上下文的推荐：这是在2013年下半年之后微博推荐着重倡导的一件事情，由于微博在时间上的高敏感度，微博用户天然对于实效有一定的接受度，因此如果让微博推荐和用户形成了好的交互将会大大提升推荐效果。而基于行为上下文的推荐就是想利用用户的行为最短的时间反映到推荐系统中，我们称之为场景融入式的实时推荐。比如好友关注中的近期关注、可能感兴趣的人加关注之后的补充以及趋势内容赞过之后的微博推荐都在该范畴之内。其中的难度在于了解环境、实时性的把握以及短时兴趣的分析和挖掘。

第一篇内容就到这里了，其中涉及到的架构以及算法的事情将会在以后的微博中给大家阐述。

每篇文章最后来点文艺的，也希望会成为传统：