057 一步领先，步步领先（1/2）

现在的老丁，早已把老板当成斗音的產品经理和深諳推荐算法的高手，而不是一位19岁的少年。

他从满屏代码的显示器后抬起头，黑重的眼袋和亢奋的精神状態形成鲜明对比；

飞快地切换屏幕，调出关键数据面板，语速飞快：

“夏总，你来得正好！数据跑了一周，基本验证了你核心思路的正確性。『长期兴趣+实时兴趣』的双塔模型確实管用，用户粘性比我们预想的还要好。”

他指著一条持续上扬的曲线：

“看，核心指標人均视频播放次数和用户平均停留时长，都在稳定增长。

尤其是我们强推的《跳楼机》话题，標籤扩散效率很高，证明基於內容特徵的筛选是成功的。”

夏伟凑近屏幕，仔细观察数据，提出问题：

“我刷的时候，感觉推荐的內容过於倾向实时兴趣，我一旦给某个作品点讚，后面会连推好几条同类作品。”

丁明捏著下巴，点开另一张可视化图表，思考著回答：

“我们设计的兴趣召回模型是这样的。”

“能不能改改？这样的话，用户会迅速审美疲劳。”

丁明沉默不语，认真分析数据。

数据不会说谎，且可以说话。

在数据分析高手的眼里，用户的所有动作都有跡可循。

数据显示，部分用户的完播率和互动点讚率，在连续刷到同类內容后，迅速下降。

怎么破？

丁明沉思片刻，脑海中灵光一闪，精神一震，音量不由自主提高半分：

“这样，我们在排序策略中，硬性加入『多样性打散』规则。”

“譬如：同一个创作者的內容，在连续10条推荐中不能出现超过3次；”

“同一种標籤的內容，在连续3条推荐中，不能出现超过1次。强制让用户的內容消费更多元。”

夏伟点头，表示讚许，“这个解决方法不错，就这样搞，下一版改进。”

“行，”丁明调出记录本，把刚刚诞生的“头脑风暴”记下来，免得忘记。

夏伟报出此行的主要目的：

“下个版本里，咱们要添加更多用户行为標籤，增加收藏和搜索的权重。”

第一版的算法，为抢上线很粗糙，日益优化和细化是必须的；

丁明理解添加用户行为標籤的动作，却不理解后半句，皱眉问：“为什么？”

夏伟解释：

“收藏这个动作，往往代表用户认为內容有长期价值，而不仅仅是即时爽感，比点讚更有意义。”

“用户主动搜索的行为，是表达明確兴趣的强烈信號。如果用户搜索了某个词条，在接下来的推荐流里，就应把搜索表达的兴趣，快速融入到推荐模型中。”

这就是夏伟的作用。

他能用简单通俗的语言，指导丁明完善、修改、丰满推荐模型，让个性化兴趣推荐越来越精准。

“真斗音”的算法，也是这样慢慢修改调教出来的。

它刚出来时，比夏伟做的第一版算法还要粗糙，简直不堪入目。

因为它是字符的工程师，臆想预判的短视频用户模型，有很多错误和疏漏。

而夏伟，脑子里有记忆，直接告诉丁明准確的用户模型，让他从易到难一步步实施。

通俗描述的话，就是：

第一版，只给他5个用户关键行为动作標籤，如：完播率、三秒跳出率、播赞比等。