編輯導讀：提起社交推薦這個詞，很多人可能都覺得很陌生。社交推薦是基于用戶社交網絡的一種算法推薦模式，本文作者從社交推薦的定義出發，結合從精準度、與算法推薦的關系和隐私邊界這三個方面對社交推薦展開了深入分析，并對其實用性進行了讨論，與大家分享。

01 什麼是社交推薦？

所謂社交推薦到底是什麼？當我想認真思考這個問題的時候，我發現我根本沒法從一個很好的點切入并給出準确的定義，于是我開始以關鍵詞“社交推薦”為query進行搜索，但是無論是百度，還是谷歌，并沒有給出對應的答案。

我不僅開始迷惑，所謂的社交推薦，是不是又是互聯網的一次無意義造詞？

既然沒有找到權威定義，那們就從自身理解出發，我對社交推薦的看法，主要有三點：

1. 社交推薦的中心思想在于我會對信任/親密的人推薦的内容/物品更感興趣；
2. 社交推薦與算法推薦是對立存在的，社交推薦不是算法推薦；
3. 社交推薦的依據是用戶關系鍊對内容/物品的喜惡；

盡管有了這三點認知，我大緻能夠理解社交推薦存在的價值與意義，但有幾個方面，我仍然存在疑慮。

02 關于社交推薦的一些疑慮

1. 社交推薦的精确度問題

關于這一點，可能有些難以理解，我嘗試描述一下，大體是這樣的：

A對B的主動推薦，一定綜合了A自己對于B的理解，進行了一道信息篩選，且是點對點的推薦。在社交推薦中，A推薦的發出是難以預設接收對象是誰的，而接收者往往是被動接收A的推薦信息，如果說A主動推薦B，準确度是70%，而社交推薦中，A有十個好友接收到該推薦，那推薦的準确度就隻有7%，而實際上，現代社會中很多用戶的好友數一定是遠大于這個數的。

總結一下：

• 社交推薦熟悉的人“信息篩選”因為推薦面的擴大導緻不置信；
• 社交推薦中推薦是點對面/面對面的推薦，準确度較之點對點推薦差很多；

當然，我們可以通過分析推薦内容對于B的适合程度，在推薦中，選擇性進行展現，但這種社交推薦，摻雜了算法推薦，還算是社交推薦嗎？

即使這依然算是社交推薦，A的推薦這一步驟，是否能起到強有力的信息除噪，我個人也是打一個大大的問号。

2. 社交推薦與算法推薦的關系

如果按照最簡單的社交推薦來理解，最核心的兩條原則應該是：

1. 我的好友A喜歡X，我和A關系密切，我大概率喜歡X；
2. 我很多好友喜歡X，我大概率喜歡X；

這兩條原則指導下，社交推薦的後置工作就分為兩塊：

1. 測算我和好友A的關系密度（這涉及到用戶畫像與交互行為的分析），可能還需要分垂類來分析，因為即使好友也不會在各個維度興趣偏好一緻；
2. 測算好友對于X的推薦的置信度，不同好友不同權重，不同推薦行為不同權重；

而算法推薦呢？

我們知道算法推薦主要有五種：協同過濾推薦、基于内容的推薦、基于關聯規則的推薦、基于流行度推薦算法、混合推薦，而其中協同過濾推薦算法主要是分為UserCF（User Based Collaborative Filtering）和ItemCF（Item Collaboration Filter）。

等一下，我嗅到了一絲不對的氣息，UserCF是不是就是我們上面談到的社交推薦？

而這就存在悖論了，如果我認為社交推薦是與算法緊密相連，那它就越來越趨向于UserCF，這是個老玩意，有利有弊。

而如果把社交推薦中算法的刨除，通過“關系鍊推薦 複雜規則”來理解的話，其準确率上限是極低的。

3. 社交推薦的隐私邊界

除了上述問題之外，還有一個問題始終困擾着我，那就是社交推薦如何解除隐私邊界問題。

看一看中“朋友在看”和“精選”社交推薦形式

就拿微信來說，我們理解的社交推薦經典使用場景在“看一看”、“視頻号”兩個模塊。

在看一看中，“朋友在看”中能看到每個好友的推薦，如果朋友寫了評論的話，還可以看到這一條評論，而在“精選”中，除了算法推薦内容，社交推薦體現在“朋友都看過”這個tag，我們發現看一看對于社交推薦的運用是較為克制的。

因為用戶在浏覽公衆号内容的時候，如果不想自己的互動行為被展現，可以隻點贊or收藏，在“精選”中，則是對社交推薦的深層運用，模糊個體的推薦行為，而從群體着手來進行推薦。

視頻号中好友推薦的展現

而在視頻号中，這一運用就顯得更重的，所有的互動行為都是外展可見的，從推薦者的角度他的行為是點對面的，相比于點對點推薦，壓力更大，類似于朋友圈點贊，甚至更加不可控。

這種形式的社交推薦一定是不優雅的，而去除掉推薦人信息的模糊推薦（類似看一看“精選”），缺少了确定的信息背書，對于用戶點擊意願的提升究竟有多大呢？

03 社交推薦完全無用嗎？

看了前面我對社交推薦的一通質疑，或許大家會認為我對社交推薦是持極大抵觸與反對态度的，但實際上并不是。我非常贊同社交推薦的理解，也認為相較于算法推薦，其具有非常強的不可或缺性。

1. 社交推薦具有很強的可解釋性，更容易建立信任

算法推薦一切都非常好，就是缺少可解釋性，因為說到底，利用用戶畫像、交互行為作為輸入，通過算法黑盒來出的推薦結果，連推薦産品經理都很難說清楚某條内容/物品是如何被推薦的，從用戶角度來說就更加難以理解了。

不可解釋性又回來信任危機，用戶對于算法推薦的内容是具有警惕心的，人對于未知總是恐懼，“總有刁民來害朕”的心理作祟，信任難以建立，而不論在内容/物品推薦中，信任都是非常重要的一環。

2. 社交推薦是容易滋生病毒式裂變

各種花式拼多多互助群

社交推薦相較于算法推薦，更容易滋生病毒式裂變，相較于當下微信的社交推薦，有時候我會覺得拼多多的社交推薦思維是否是更先進，鼓動用戶自發的進行點對點，點面面的推薦，借助社交鍊進行病毒式傳播，這相較于算法推薦不知道高到哪裡去了。

04 後記

這篇文章主要是寫了一些個人對于社交推薦的看法，其中包含了很多對于社交推薦的疑惑，如果有了解和有意願交流的同侪，也歡迎拍磚交流，不勝感激~

#專欄作家#

随心将夜，微信公衆号 : 互聯網菜鳥産品進階之路，人人都是産品經理專欄作家。關注社交賽道和社區發展，擅長分析行業趨勢。

本文原創發布于人人都是産品經理，未經許可，禁止轉載

題圖來自Unsplash，基于CC0協議

,

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!

查看全部