gabrielmoreira 多元推荐改写清单
一句话定位
从"猜你喜欢"的单一推荐，进化到"帮你发现"的多元推荐系统。
何时触发
- 产品有推荐功能，但用户反馈"总是看到类似的东西"
- 想要提升推荐的多样性和惊喜感
- 担心过度个性化导致信息蚕房
- 需要平衡准确率、多样性、新鲜度三者
输入
当前推荐系统描述 + 用户反馈 + 业务目标。
示例输入：
产品: 在线音乐平台
现状: 基于用户历史收听的协同过滤推荐
问题: 用户反馈"总是推荐类似的歌，想听点新的"
目标: 提升用户活跃度和收听时长
输出
多元推荐改写方案 + 具体改写清单 + 评估指标。
改写框架
维度 1: 推荐目标重定义
从：猜你喜欢什么（准确性优先） 到：帮你发现什么（价值发现优先）
检查项：
- 推荐目标是否从"点击率"扩展到"用户成长"
- 是否考虑了用户的长期价值（而不是短期满足）
- 是否帮助用户发现新兴趣（而不是回复旧偏好）
维度 2: 多元性引入
从：单一算法驱动 到：多算法混合
检查项：
- 是否引入了多种推荐策略（协同、内容、上下文、社交、探索）
- 是否有意识地控制同类内容的聚集
- 是否为用户提供"意外之选"
多元推荐类型清单：
推荐类型:
- 熟悉推荐: "基于你喜欢的"
- 发现推荐: "与你喜欢的相似但不同"
- 上下文推荐: "根据你当前的场景"
- 社交推荐: "你的朋友喜欢的"
- 探索推荐: "你可能还不知道的"
- 趋势推荐: "正在流行的"
- 反向推荐: "与你常看的形成对比"
维度 3: 控制权交还用户
从：系统决定你看什么 到：用户可以影响推荐
检查项：
- 用户是否可以表达"不感兴趣"
- 用户是否可以主动选择推荐类型
- 用户是否可以看到"为什么推荐这个"的解释
- 用户是否可以关闭/打开某类推荐
维度 4: 透明度设计
从：黑盒推荐 到：可解释推荐
检查项：
- 用户能否理解为什么被推荐了
- 推荐是否有"因为…所以推荐…"的解释
- 是否有推荐的多样性说明
维度 5: 评估指标升级
从：只看点击率 到：多维度评估
新评估指标：
准确性指标:
- CTR: 点击率
- 收藏率: 用户是否保存
- 完整消费率: 是否看完/听完/用完
多样性指标:
- 覆盖率: 多少不同类型被推荐
- 新鲜度: 推荐中多少是用户没接触过的
- 惊喜度: 用户反馈"没想到但很喜欢"的比例
用户成长指标:
- 兴趣扩展: 用户兴趣类别是否变宽
- 活跃度提升: 使用时长/频率变化
- 留存改善: 长期留存率变化
综合输出格式
diverse_recommendation_rewrite:
input:
product: "产品名称"
current_system: "当前推荐系统描述"
user_feedback: "用户反馈"
business_goal: "业务目标"
assessment:
current_state: "当前推荐类型"
problems: ["发现的问题"]
opportunity: "改进机会"
rewrite_plan:
goal_redefinition: "目标重定义"
diversity_mix: "多元推荐混合比例建议"
user_control: "用户控制设计"
transparency: "透明度设计"
implementation_checklist:
- "具体改写任务1"
- "具体改写任务2"
- "..."
metrics:
accuracy: ["准确性评估指标"]
diversity: ["多样性评估指标"]
growth: ["用户成长评估指标"]
rollout_plan:
phase1: "小流量验证"
phase2: "逐步放量"
phase3: "全量上线"
快速使用法
- 描述当前推荐系统和问题
- 逐个维度评估
- 制定改写清单
- 设计评估指标
- 分阶段上线
常见误判
- 多样性 = 随机性：多元推荐不是随机推荐，而是有策略的多样
- 忽视准确性：为了多样而失去准确性，用户会觉得推荐"不准"
- 一次性改完：推荐系统的改进需要渐进，不能一次性大改
一句判断
好的推荐系统不是让用户沉迷于自己喜欢的，而是帮助用户发现更大的世界。