分类是一种逻辑，其实一直伴随着人类的发展，张小龙也曾说做产品其实是一个逻辑梳理的过程。传统行业最成熟的分类体系是图书分类，几乎全世界图书馆用的都是统一的一套分类体系。而互联网时代最成熟的则是电商平台，如果有耐心拆解它们的结构，会发现有高达数千种大大小小的分类。

　　分类是便于用户进行内容筛选的一套规则，当内容多起来的时候，用户必定只能选择自己感兴趣的内容来消费，分类就是提供这么一个选择的入口。相似内容最好用统一的分类规则，例如电商、音乐平台几乎都是同样的分类，一来是尊重用户习惯，减少用户学习成本，二则是遵守行业规范，减轻运营人员的工作负担。

　　3、标签体系

　　分类体系大多是稳定的，行业内的各方约定俗称，有人可能会反应过来这并不是一套灵活的体系。例如在分类体系中，一个内容最好只属于一个分类，这样用户遵循特定的路线就一定会找到它，设想图书馆的一本书可以放在两个不同的书架上，那管理员和读者都要疯了。而标签则会更加灵活，王小波的小说只能放在一个书架上，但是可以往上面贴上N个标签：王小波、中文、小说、当代文学……电脑在搜索的时候只要命中其中一个标签都可以找到这本书。

　　目前流行的个性化推荐系统，例如豆瓣FM的猜你喜欢、亚马逊的为你推荐，几乎都是基于标签系统，而不是分类。国外音乐平台Pandora为了完善个性化音乐推荐，聘用了大量音乐专业人士为每首歌打上N个标签，帮助Pandora优化推荐结果。

　　三、内容推荐：用户喜欢与否，成败在此一举

　　前面所说的两个策略都是幕后完成的，用户还感受不到，那么内容推荐则是掀起盖头直面用户的一道程序了。以结果导向而言，不管其他流程做得多么出色，如果给用户的内容推荐没做好，其他都是白搭。接下来便一一拆解常见的内容推荐方式。

　　1、热门推荐

　　最常见的是“排行榜”形态，作为一个内容平台，这是一个必不可少的模块。当用户第一次使用产品时，每个用户的开端几乎都是相同的，个性化推荐这个时候也就无从谈起。那么最好的办法是展示平台上最热门的东西给用户，这种办法总不会错，来到同一个平台的用户大抵相似（除非你是过亿用户的平台），展示其他用户最喜欢的内容给新用户，从大数定律而言也具有最大的概率击中用户的喜好。

　　热门推荐是一种省力而讨巧的推荐方式，但是对于大量用户和海量内容并不是好的推荐方式，它的最大弊端在于“马太效应”，导致几乎一成不变的内容。前面说到用户行为是趋同的，因此导致的结果是热门的东西也总是相似的。在热门、排行榜的影响下，很多新的内容无法呈现给用户。所以它只适用于早期阶段，在产品成熟起来之后则应该退而成为一个产品模块即可。

　　2、编辑推荐

　　随着用户增长和内容数量增加，“编辑推荐”的形式会逐渐重要起来，其逻辑是基于平台对于自身运营人员能力的自信，认为官方编辑推荐的内容是用户喜好的。当然，推荐的内容不完全是运营人员的主观判断，而是基于数据分析、用户反馈的推荐。

　　编辑推荐内容一般而言是新鲜的、优质的，弥补热门排行推荐的不足。例如在知乎上，最热门的内容依然是两性、情感话题，如果只展示热门内容的话，会充斥着情感话题，这是大部分用户和运营人员不想看到的结果。所以，知乎日报的运营人员会选择更加有新意的内容在首页展示。

　　一个理想的正向循环是，编辑推荐优质内容，增加曝光，进而成为热门排行榜的内容，在此循环下，平台上的内容是流动性的，新鲜、优质内容得以曝光，并且热门内容会不断轮换。

　　3、个性化推荐

　　最后说说个性化推荐，其实是一个技术问题，目前非常热门的大数据，核心问题之一就是解决个性化推荐。它常见于音乐、视频、新闻、电商等大平台，最具代表性的是亚马逊的个性化商品推荐和Netflix的影视作品推荐。可以看到这些平台的共性就是具有海量内容和海量用户，在如此巨大的平台上，编辑推荐、热门排行榜都无法完全驾驭所有内容和用户。如果能做到为每个用户量身推荐内容，会极大地提升内容推荐的效率，自然会取得商业上的巨大回报。

　　个性化推荐常见的三种方式：

　　基于用户的推荐（user-based），找到相似的用户看他们消费了什么内容，然后推荐给该用户。

　　基于物品的推荐（item-based），根据当前消费的内容找到相似的内容推荐给该用户。

　　基于物品特性的推荐（modle-based），根据消费过的内容提取特征，找到更多相似的内容。