资讯产品近几年持续火爆，赚足了人们的眼球。以今日头条披露的数据为例：日活跃用户超过一亿，单用户日均使用时长超过 76分钟，资讯类产品的火爆程度可见一斑。资讯类产品的火爆让BAT巨头坐卧不安，纷纷站出来反击。手机百度除了搜索框之外，大部分已经被

　　资讯产品近几年持续火爆，赚足了人们的眼球。以今日头条披露的数据为例：日活跃用户超过一亿，单用户日均使用时长超过 76分钟，资讯类产品的火爆程度可见一斑。资讯类产品的火爆让BAT巨头坐卧不安，纷纷站出来反击。手机百度除了搜索框之外，大部分已经被一条条新闻占据。阿里则是依托UC浏览器上线了自己的头条。腾讯在腾讯新闻之外，从头搞起了天天快报。

　　头条为何能取得成功？很多人会说是头条的个性化推荐技术做得好，个人认为其实不尽然。本文罗列了相关的个性化推荐技术，特别是资讯推荐常用的算法，带大家从“内行”的角度来解密下个性化资讯推荐技术。希望读者读后能发自内心地觉得：头条其实也就那么回事。

　　本文主体分以下三个大的部分。除此以外也会在最后用一小节展望下个性化资讯推荐的未来。

　　个性化资讯产品：先介绍资讯推荐产品是什么，着重分析其业务特点。

　　个性化推荐方案：接着介绍资讯推荐所需的技术，着重分析其技术难点。

　　个性化推荐算法：最后介绍解决业界常用的个性化推荐算法。

　　 个性化资讯产品资讯推荐产品要解决用户需求很简单，一句就可以概括：为用户找到有趣的资讯。而做到这个需求就要做好两个关键点：

　　新闻聚合。用户希望在一个产品里获取任何他想要或者可能想要的东西，这就要求产品要聚合其他aPP、网站、甚至线下媒体里的各种资讯，这也是最基本的一个产品特性。

　　个性化。要去最大程度地理解、猜测用户的兴趣，结合兴趣为其推荐相关资讯，这是资讯产品后期衍生出来的一个产品特性。

　　更进一步，如果将上述两个关键点展开，一个好的个性化资讯产品就要具备以下亮点：

　　1.时效性

　　这是所有资讯类产品共同的特性，而不仅仅是资讯推荐类产品。人们总是希望通过你的产品看到最近发生了什么，而不是很久之前的老新闻。

　　2.精准性

　　每天发生的事情有很多，对应的新闻稿子也非常多，如果每个都看，信息过载的问题会让人吃不消。你能否猜出我的兴趣，并精准地推荐感兴趣的新闻才是用户关心的，也是用户能直接感受到的体验。

　　3.丰富性

　　这点恰是很多用户最容易忽略的一个点。其实很多用户才不管这个资讯类产品是怎么推出来的，对于单个用户而言，其第一诉求必然是通过这个产品来了解世界，知道每天都在发生什么，所以新闻的丰富性是最最基本的。

　　4.排他性

　　每天描述同一事件稿子很多，在自媒体时代这个问题更加突出，但用户只会用有限时间去了解这件事，而不是去研究所有关于这件事的报道，更不想甄别不同报道的差异。所以，用户往往需要的是一个事情的一两个报道，保证给我差异化的内容是必须的。

　　5.热门性

　　谁都不想在周围朋友们讨论热点事件时，自己是个懵逼，什么都不知道。这点很关键，跟精准性和个性化看起来有点背道而驰，但人性天生就有求同的天性。没有同样的话题，生活将会失去太多色彩，不知道该和人交流什么。

　　6.高质量

　　媒体质量层次不齐，有的文章写得很好很炫，读的时候很过瘾，但一旦你发现它是一个假新闻或者歪曲报道，你还是对这类文章嗤之以鼻。新闻可以高于事实，但不能背离事实。

　　7.合法性

　　人总是对非法的事情感兴趣，如黄赌毒之类。而对于被压抑的需求，则更是感兴趣，如色情之类。但一个伟大的产品，首先必须是一个合法的产品。所以，一切尽在不言中了。

　　 个性化推荐方案要做到上一节提到的产品特性，有两条路可以走：人工运营和算法推荐。在类头条产品出现之前，请新闻方面专业人才来运营是最稳妥的方式。但人工运营成本越来越高，局限性越来越明显。走算法推荐的路，在张扬个性的年代，是一条必由之路。下表简要对比下两者的差别。

　　推荐算法应用在资讯类产品时有一些挑战，这也是资讯推荐能否做好的关键所在。

　　● 可扩展性

　　推荐本质是建立user和item的关联，一般问题要么是user侧量级大，要么是item侧量级大，而资讯推荐是典型的“双大”场景。又由于是高度依赖个性化的场景，还不能简单地将某一侧大幅降维，所以可扩展性显得尤为重要。

　　●稀疏性

　　资讯的高度个性化自然而然的带来一个很棘手的问题就是稀疏性。举个最简单的例子，如果将user和item的 点击行为用矩阵形式表示出来，会发现比一般问题更多的0项存在。而稀疏问题是一直困扰机器学习高效建模的一大难题。

　　●冷启动

　　每天都有大量的新闻产生，如何将如此多的新闻快速、合理地冷启动，尽快将高质量的新闻推给合适的用户是个大问题。

　　●时效性

　　不同于商品、书籍、电影、视频等的推荐，新闻一大特点是生命周期非常短，有的甚至只有几个小时。如何在最短的时间里把新闻推给感兴趣的人，在新闻进入“暮年”之前发挥它的最大价值是个非常重要的问题。

　　●质量保证

　　新闻本身量大，且时效性强，如何在短时间里快速评估每篇稿子的质量和合法性，做到最高效、最精准的内容审核是个大课题。

　　●动态性

　　这里的动态性主要体现为用户兴趣随时间改变、当前热点随时间改变。用户在一天里的不同时刻、不同地点、不同上下文里的阅读兴趣都有所差别，动态在变化。

　　 个性化推荐算法围绕上面这几个挑战，业界各大资讯类产品在做推荐时想出了各种招儿来解决，接下来，我们就梳理下业界经典的做法。这里以产品为主线，以具体要解决的问题为辅线来进行梳理，会集中介绍下GOOGle News、Yahoo Today、今日头条等产品的推荐算法，并着重介绍下深度学习在这个领域的最新进展。

　　●Google News

　　Google News是一款经典的资讯推荐产品，也是后来者竞相模仿的对象。2007年，Google News在www上首次发表论文《Google News Personalization: SCAlable Online Collaborative Filtering》公开资讯推荐技术。该论文的做法非常自然、简洁，从论文题目就能看出是CF的落地上线。Google是这样想的：鉴于大家都觉得CF是推荐领域公认的有效算法，那将其直接用在产品上效果自然也不会太差。