互联网社区产品方法论(16)

由此，微博率先将关注信息流默认排序，由最近发布时间改为基于用户对关注者的喜爱程度、内容质量等多维度计算的智能推荐序，虽然骂声一片，但微博还是以虽千万人吾往矣的气概坚持了这次改动。
2020年，微信公众号也做出了类似优化。

（左起：微博信息流、微信公众号文章流）
3）推荐信息流
早期，社区只有话题信息流这一种内容分发方式，。RSS订阅关系的产生，使得关注信息流出现。SNS社交网络兴起，全民自媒体时代到来，内容数量迎来爆发式增长，个性化的推荐信息流应运而生。
最近几年，推荐信息流是社区届的热门话题，但并不是所有社区都适合推荐信息流。
首先，个性化推荐需建立在海量内容的基础上，且推荐内容越个性化，对内容数量的要求也就越高。
例如：一个社区一天1万篇帖子，可被推荐的内容按二八定律，大概有2000篇，如果内容标签有100个，则平均分到每个标签的内容大概只有20篇，被打上某个标签的用户在移动端，只需刷新一次就可浏览完所有个性化内容。
其次，推荐信息流的目的在于引导用户沉浸，但前提是推荐的内容具有较低的消费门槛。
如果社区内容本身偏专业，消费完一篇就已经花费了一定的时间和精力，则用户很难在这个推荐流里停留。举例来说，如今被称为时间黑洞的抖音，其主要内容类型是娱乐化的短视频，用户不用动脑，一个个视频刷过去，沉浸其中的同时，时间也流逝掉了。
再次，推荐信息流提供的是未知的、不确定的内容，在产品架构设计上，推荐信息流往往会被放置在发现频道，其本质是反效率的。
至于稍显神秘的推荐算法，其实也不复杂，一句话概况，就是“物以类聚，人以群分”。
物以类聚：是基于内容属性进行相似性推荐，如从作者或者内容层面（类别、标签、关键词等），利用TF-IDF方法，计算内容之间的相似度，推荐给用户他点击过的高相似度的内容。人以群分：则是基于用户行为进行协同过滤推荐，基本思路是将用户的行为作为特性，计算用户相似性和物品相似性，进行信息匹配。典型的例子有，用户A和用户C都阅读了内容1和内容3，用户B阅读了内容2。基于阅读行为来看用户相似度，用户A和用户C更为相似。