智能推荐七大玩法场景化解读和评估体系.pdfVIP

智能推荐七大玩法场景化解读和评估体系/

一、智能推荐七大玩法场景化解读

玩法一：热门事件，让“吃瓜群众”看过来！

当用户打开App，面对海量内容和商品无从选择，这时如果有最热推荐或爆款

商品等版块，就极有可能快速吸引他的注意力。

这种热门推荐场景一般由系统定时更新数据并主动推荐到用户面前，用户打开

界面就能接触到讨论度最高的内容，一方面满足了用户的从众心理，不会错过

一手瓜，另一方面也能激发用户兴趣，让用户不会出现选择困难。

典型场景——微博热搜榜、抖音热榜

玩法二：相关推荐，让用户“意犹未尽”

信息爆炸时代，罗列所有信息等同于给用户添麻烦，这样不仅使用户无从下

手，而且导致信息利用率低下，相关推荐正是为了解决此类问题而生。

所谓相关推荐，是根据计算内容或商品的相似度，进行一些相似内容或商品的

推荐，以满足用户延伸阅读或者延伸购买的需求。比如用户浏览一个手机后，

下面推荐了“相关手机”，阅读一篇文章后，下面推荐了“相关文章”，推荐

内容和用户关注的内容相关，可以有效帮助用户筛选信息，过滤掉相关度低或

完全不相关的信息，发挥用户时间的最大效用，提升阅读和购买的幸福度。

典型场景：微信读书“继续阅读”相关推荐

玩法三：想用户之所想，Feed流让用户持续“消费”

伴随内容爆发和用户时间的挤压，传统的内容信息流已经呈现出了很大的弊

端，无法再满足用户高效获取特定内容的需求，如何让用户进入App后可以持

续消费内容？Feed流成为最优解。

目前Feed流的主流排序方式不再严格按照时间线，而是广泛使用智能Feed

排序。智能排序基于趋势、热门、用户生产、编辑推荐、相似性等因素综合考

虑。新的Feed流不再需要用户主动订阅或者搜索，只要根据其浏览时长、点

赞分享等动作，或者建立用户画像，就可以主动推荐用户感兴趣的内容。在内

容很多很杂，且与用户关联不强的情况下，Feed流无疑是一个很好的筛选器。

它对用户了如指掌，能够源源不断地提供用户想了解的，可以有效地提升使用

时长。

典型场景：知乎Feed流

玩法四：激发并推荐UGC，度过“冷启动期”

去中心化的时代，平台之间的竞争已经演变成生态系统的竞争，内容型平台更

是如此。维护第三方生态的繁荣成了很多平台公司的刚需，这就需要将第三方

创作者新生产的内容尽可能的推荐出去，才能保障平台的多样性，激发平台上

第三方创作者的积极性，提升平台生态的活力。同时通过这种冷启动推荐方式

可以让新内容快速找到最可能的受众，也可以快速知道哪些新内容是大受用户

欢迎的，有助于提升平台自身的营收。

具体怎么实现呢？以视频为例，100个作者新发的视频往往只有10个是优质

视频并预期能得到平均水准以上的消费，那么通过模型预估视频的价值，并为

可能成为热门的视频增加推荐权重就能让爆款尽快的出来，另外90个也要合

理的推荐，在尽量不影响大盘核心指标的情况下，提高创作者的积极性，只有

创作者们愿意花时间创造更多的内容，才能让产品内容生态更加丰富。

玩法五：因人而异，“黄金时间”有效留住新用户

众所周知，现在获取新用户的成本和难度都在增大，因此一旦获取新用户，他

们的留存就变得非常关键，因为如果新用户来到平台发现对推荐的内容不感兴

趣，那么很有可能快速卸载流失。相反，如果新用户冷启动推荐的好，会让这

部分用户留下来，最终产品的用户量就会稳步增长。

那么在新用户冷启动时，如何通过智能推荐实现更好的激活留存呢？可以从新

用户的获取来源、注册时填写的年龄、性别、地址等信息、授权设备信息、首

次登陆所选标签、绑定的社交账号等维度出发，根据这些维度推测用户偏好进

行智能推荐，能够在黄金时间有效留住新用户。

比如抖音在平台上发现年轻的一二线城市的用户喜欢拍摄“手指舞”，“手指

舞”视频就成为站外获客的一个素材，通过这个素材点击带来的新用户，打开

抖音的第一个视频内容就是“手指舞”。

比如新用户通过用户间的分享点击来到产品，这个自带的关系链以及分享者的

用户画像，都是产品进行新用户承接转化的策略依据。

知乎新用户标签选择页面

玩法六：以类聚，以群分，页面配置千人千面

用户所处的生命周期阶段不同，对应的活动需求和偏好也不同，但现实中，App

的开机图、首页、轮播等广告位内容呈现容易缺少差异化，如果可以根据不同

生命周期用户的需求分类来配置页面，可以快、准、稳地进行产品运营，实现

广告位资源的价值最大