推荐算法在日常生活中的应用已经越来越普遍。在交友软件这一领域，平台要怎样通过推荐算法，为用户提供合理的匹配人选和舒适的交友体验呢？本文以探探的推荐算法为例，分析了探探在交友匹配上的推荐逻辑，希望能对你有所启发。
笔者一直对推荐算法有浓厚的兴趣，原因在于，做PM的一大乐趣就是揣摩用户心理，而做推荐策略的最终目的，就更是要猜中用户所需，因而可以把这项乐趣发挥到极致。
本次的主题是探探的推荐策略思考，所以我们从推荐算法开始讲。常用的推荐算法为基于用户/物品的协同过滤，解释一下，思路就是：找到与你相似的用户，根据他的兴趣向你推荐；找到对该物品感兴趣的人也对其他什么物品感兴趣，建立物品与物品的联系，进而进行推荐。
比如说呢，张三买了啤酒和可乐，李四也买了啤酒和可乐，那么当张三又买了棉花糖，那么就向李四推荐棉花糖；当我们发现买了啤酒的人多数都又去买了可乐，而没有人去买棉花糖，那么就可以向买了啤酒的人都推荐可乐。
推荐算法已经融入生活中了，目前常用于这么几个领域：
除掉协同算法外，推荐也要基于大量的用户行为和物品信息。就像如果要给一个朋友推荐可心的旅游去处，那么我需要先了解他的兴趣爱好，再了解各个旅游景点的特点，才有可能得出一个符合预期的推荐结果。
所以呢，PM首先要了解自己产品中的物品和用户，而对于上面说的应用场景，PM去设计推荐策略的时候，侧重点和实操是有所不同的。
比如说，购物类产品，需要分析的是物品标签（分类/价格/热度/浏览-购买转化率/与其他物品相关度……）和用户标签（地区/消费水平/搜索记录/浏览记录/收藏记录/加购记录/购买记录/退换货记录……），而各个标签的所占权重应有不同，在购物场景中，“购买并确认收货”应作为最重要的行为来统计。
那么对于音乐和视频类，很重要的用户行为就是播放次数。资讯类里，要考虑的是用户阅读全文/评论/分享的行为，另外区别于其他产品，资讯类产品中要更多的考虑时效性，毕竟老电影可以成为经典，老新闻只能压箱底咯。
下面来仔细聊一聊社交。社交产品是不好做的，因为这个场景不算得那么刚需，而且互动是发生在用户之间的。基于人类本身的复杂性与不确定性，推荐人与人认识比推荐物品让人下单要来得难得多。但另一方面，正是这样不确定性增加了工作的可探索性，并且探究人类的心理学本身就是一种观察自己的趣味所在。
言归正传，以探探为例，它的玩法是上传自己照片，然后去浏览他人照片，喜欢的右滑，不喜欢的左滑，当两个用户互相右滑时，算作匹配，就可以开始聊天。如果中途不喜欢，则可以解除匹配关系。
通过对身边用户的观察，我做了一个用户行为路径和一个使用感受图示。
这两张图说明了什么呢？从开始滑动照片，到最后成为朋友，是经过了好几层判断的，像一个多层漏斗，每一层流失率相乘，使得最终交友成功的概率偏低。
而低概率的结果不免使人气馁，加上年轻人本身存在的社交需求，便产生了图二的现象：“好无聊，需要人陪，打开app吧”→“app上的人好无趣，卸载吧”→“还是无聊，再去看看吧”→“还是不行，卸载吧”……形成循环。
这种循环自然是PM不愿意看到的，根源问题在于每一个环节向下走的概率都不高。笔者认为，概率低并不在于用户质量，而在于匹配度。就像人与人成为朋友一样，是因为合适才做朋友，而不是简单说因为对方是个好人。所以优化推荐策略，提高用户匹配度，从而利用好用户本身存在的大量社交需要，是非常有必要做的事情。
那么第一步呢，完善用户标签。通过对探探app的探索+对用户行为的观察，我取了一些会对合适概率有影响的数据作为标签：
第二步呢，找标签与匹配度之间的关系。首先从用户本身画像上，条件相似的人优先推荐，因为一般来说，人类的本质是自恋的，对于和自己相近的人会多一层欣赏，相似性也会带来共同话题。另外探探的用户群体中，大量分布在一线城市，这群人必然来自五湖四海，对同乡的归属感是有的。所以在硬性条件中，它们的权重占比应该是行业>地域>工作领域>个性标签>兴趣爱好。
行业放前面是因为行业相关的话题容易找。为什么把兴趣爱好放在最后面呢，因为经过观察，我发现填“电影/食物/音乐”这种非常泛化的爱好的人，其实根本没什么爱好可言，他们只是随便看看而已。
其次在占比之外，可以分析一些匹配的人之间各硬性条件的相关性，比如A行业的人一般青睐B行业的，X地域的对Y地域的反馈都不错。这里我没有太多数据可参考，只能讲讲思路。同时在分析过程中，应该刨除掉被滑率过高或过低的用户，以免使得分析结果偏颇。
这里也可以引出一些还可以优化的点。例如，在用户自己填写个性标签和兴趣爱好这里，可以引导用户不要填太多，因为太长的东西真的没人看。不如说兴趣少写几个，但鼓励用户具体一些，写出喜欢的电影名字，喜欢的歌曲名字。之后再利用这些具体的爱好去做匹配推荐，从而提高用户匹配意愿度及提供可聊的话题。
再说用户行为上，可以考虑的点是，同一时间在线的优先匹配（当然基于大多数用户是晚9-11点使用app，所以这条影响或不大），被青睐率（=被右滑次数/被浏览次数）相近的人优先匹配，主动聊天率与聊天回应率相似的优先匹配，聊天时长相似的优先匹配，解除匹配率和被解除匹配率较高的，尽量错开不相遇。
这样考虑的原因有这样几个。
第一呢，被青睐率相近的用户，表示他们的颜值水平相近。客观地说，探探作为一个照片交友平台，颜值在右滑的可能性中占了决定性因素。而人类的颜值分布大概符合正态分布，一头一尾的都不多。我们的用户，必然也多处于中间层。因此推荐被青睐率相近的用户，两个人能够match的可能性更大。当然从产品整体策略上来说，对于新人用户，应该优先匹配被青睐率高一点的，以建立用户对产品的良好第一印象。
第二呢，对于聊天这件事，用户的意愿度可以划分为：A会主动开聊/B不开聊，会回应/C不聊天也不回应。A类用户自然是最招PM喜欢的，但是把两个A类用户凑在一起会很浪费，用A去调动B才是效益最大化的做法。对于C类用户，只能用些别的手段促进活跃度，比如在匹配之后主动推几句招呼语供他选择+诱导发言语，这样降低了用户的输入成本，间接提高聊天意愿度。
第三呢，统计聊天时长，是为了反映用户的聊天习惯，及间接反映人的可聊度，因为如果冷场，对话就不会持续太久。
第四呢，要错开容易解除匹配的人。因为这类人可能比较挑剔，互相挑剔的话不太容易发展关系，需要其他较温和的人做互补才好。
最后呢，可以考虑在产品设计上增加一个他人评价的功能，因为他评可以给其他用户提供较高的参考意义。当然为了防止乱评，用户自己可以决定哪些标签用来展示，但是不允许编辑。评价可以提供一些事先定义好的标签，比如幽默，温柔等。这样其他用户也可以预设自己喜好的类型，从而提升匹配的可能性。
以上。总结：做社交产品的推荐策略应该结合心理学去分析用户行为与用户表现之间的关系，再在推荐算法的基础上，去尽可能给到用户心仪的其他用户。
附，由于笔者无实际数据亦无推荐类PM经验，本文看法或过于浅薄，如有出入，感谢指正。
专栏作家
一个数据人的自留地，公众号：一个数据人的自留地。人人都是产品经理专栏作家，《数据产品经理修炼手册》作者。
本文原创发布于人人都是产品经理。未经许可，禁止转载
题图来自Unsplash，基于CC0协议。
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。
给作者打赏，鼓励TA抓紧创作！
{{{path> 赞赏
