内容生产者，在上传内容时，对内容进行分类、设定内容标签。其内容进入后台首先按照用户上传时的分类进行筛选，之后由审核人员对其标签进行走查，将无分类的内容进行分类，同时对错误分类进行修正（此时所有审核人员的操作结果，系统都应该给生产者发送信息提示其内容被修改，优化上传流程）。所有人工审核后的内容库里的内容作为最终对外分发的结果，在前端对外分发。

　　至此，我们已经完成了对优质内容的筛选和对内容的聚类。那谁来消费我们的内容呢，谁来为我们的内容买单，我们的用户群是谁，他们来自哪？是男是女？年纪多大？他们是高、是矮，是胖，是瘦？从事什么工作？有什么爱好？他们收入如何？

　　二、用户篇（who）

　　承接上文，说到用户，绕不开的一个话题就是用户画像。要建立推荐系统的用户画像，我首先会问自己两个问题：“我们的用户是谁？”“他们都喜欢什么？”如果说用户画像是对一个人描述，那么第一个问题更像是描述一个人的外在，第二个问题更像是描述一个人的内在。外在对应用户属性，内在则对应用户行为，行为连接内容，从而分析用户喜好倾向，如下图所示：

　　此处数据统计的维度和准确性的重要性不再赘述，左侧是用户属性，右侧是相关的用户操作行为，所有的操作行为最终都能落地到具体一个内容上（我们在“内容篇”已经讲过如何对内容进行分类标识）我们通过看内容分类标识，从而分析用户的喜好倾向。

　　这种方法就好比我们写日记，记流水账，只要我们把足够多的信息记录下来，我们就能足以分析数这个人详细用户画像

　　例如：2017年5月12日，家住北京，24岁，清华大学毕业的姑娘小倩穿上她的adidas的衣服，开着她的奔驰车，去王府井的一家人均价位在100/位的火锅店吃火锅….）,只要我们记录的信息足够多，足够精确，对用户画像的描述也就越清晰。

　　在推荐系统里，我们通过用户画像需要解决的是用户喜好倾向的问题，但用户的喜好倾向不是一成不变的，除了要做到数据的持续收集，在判定用户兴趣时，用户的短期兴趣倾向和长期兴趣倾向需要做策略的融合。持续对两种维度的权重调权，从而得到最优解。

　　举例：我是一个喜欢摇滚音乐的用户，不经意间听了几首纯音乐，我们并不能一刀切的认为用户的喜欢倾向由摇滚转为轻音乐，而是应该记录下这种行为，在策略里不断试探尝试用户兴趣，持续推荐不同内容，从而判定用户真正兴趣。

　　在推荐系统里，我们通过用户画像需要解决的是用户喜好倾向的问题，但用户的喜好倾向不是一成不变的，除了要做到数据的持续收集，在判定用户兴趣时，用户的短期兴趣倾向和长期兴趣倾向需要做策略的融合。持续对两种维度的权重调权，从而得到最优解。

　　举例：我是一个喜欢摇滚音乐的用户，不经意间听了几首纯音乐，我们并不能一刀切的认为用户的喜欢倾向由摇滚转为轻音乐，而是应该记录下这种行为，在策略里不断试探尝试用户兴趣，持续推荐不同内容，从而判定用户真正兴趣。

　　三、推荐篇（how）

　　解决了物的问题，又解决了人的问题，现在接下来的最后一步就是，我们如何把物交付到人的手中。

　　在做推荐之前，我们需要做的一件事就是：数据的收集、上报。不同于上述内容质量和用户画像的数据统计维度，应用于推荐的数据统计维度更多，是两者的超集，除此以外，一些操作系统、app版本、网络环境、用户操作访问路径的分析，漏斗的模型的转化….等等都与推荐行为息息相关。此处关于数据上报的维度需要针对不同平台，不同推荐业务，不同场景做具体问题具体分析。

　　关于一心想求推荐系统算法公式的同学，可以去抱算法工程师大腿了，此处不做详细罗列，只来聊聊我所理解的推荐的一些原理，毕竟产品经理的数学和算法工程师比起来，基本30分到40分水平….

　　我把每个用户想象成一个独立的点，每个用户背后都带有各种各样的用户属性，我们把具有相同属性的用户之间建立一条连线，众多的用户其彼此间的连线也错综复杂，由此形成了一个独立的用户面。同样的原理，把每条内容也想成一个独立的点，每条内容背后也都带有各种各样的内容聚类标识，我们把具有相同类别的内容之间建立一条连线，众多的内容间的连线也错综复杂，由此形成了一个独立的内容面。