以知乎读书会为例，你的显式行为是点击、收听、评分、评论等等；隐形行为则是收听完成度、是否有拖拽快进、页面停留时长等等。通常，由于显式行为不够丰富，我们往往需要使用隐式行为来扩充我们对于用户的理解。完播率、是否快进、详情页停留时长等指标，都会被系统统计，用来判断你是否真的喜欢某个人的讲解、喜欢某本书的内容。
在内容画像的部分，可以看到一篇文章通过文本分析进行了一级和二级分类，并抽取出文章内的关键字、实体词，进一步的还会通过聚类的方式，将这篇文章与其相似的内容聚成一个簇类。之所以会有聚类，是因为专家系统的分类体系一定是对于变化不敏感的，响应不及时的，而聚类能够挖掘出更多内容的隐含信息。在用户画像的部分：（摘录自今日头条推荐算法原理全文详解——曹欢欢博士）内容画像和用户画像，是一个相互影响的循环系统。
内容画像决定人的画像，自然是最容易理解的。在音乐场景下，你收听、收藏、评分了很多爵士类的音乐，那么系统就会判定为你是一个喜欢爵士音乐的用户。在读书的场景下，你阅读、收听了哪些书籍，哪些书籍听完了、哪些书籍重复收听了很多遍，都会影响系统中，你的用户画像。因此，“你的选择决定你的画像”可以说丝毫不为过。而反过来，人的画像也会影响内容的画像。
我们可以看作是基于用户的行为，对内容做出的后验投票。在一个大体量的视频上传体系里，我们基本放弃了依赖人工打标签的方式，而转而利用用户的播放行为来试图猜测内容属于哪一类。一个典型的Case：死神来了。看标题的文本信息，最大概率就是一部电影，但事实上观看这个视频的大面积是喜欢猎奇类视频的用户，深挖内容才会知道，这其实是一个车祸视频集锦。
二、协同过滤，应用群体智慧如前所述，标签是我们对事物的抽象理解，那有没有一种方式能够让我们放弃标签呢？以人的行为来标记内容，这就是协同过滤的基础思想。举一个生活中的场景：初次为人父母，“无证上岗”的新手爸妈们内心是激动而又惶恐的。打听，成了他们育儿的重要法宝之一。“你家宝宝用的是什么沐浴液啊、你们有没有上什么早教班啊…”亲子群中，无时无刻不在发生这样的讨论，这样的讨论也构成大家后续消费决策的主要因素之一。
这种基于人和人之间的相互推荐固然是弱社交关系分发的一种形态，但是促成大家有价值信息交换和购买转化的，其实是人和人之间的相似点：为人父母、拥有相似的价值观和消费观。把用户的消费行为作为特征，以此进行用户相似性或物品相似性的计算，进行信息的匹配，这就是协同过滤(Collaborative Filtering)的基础思想。
协同推荐可以分为三个子类：基于物品（Item-based）的协同基于用户（User-based ）的协同基于模型（Model-based）的协同1.基于用户的协同即切合了上面的例子，其基础思路分为两步：找到那些与你在某一方面口味相似的人群（比如你们都是新手爸妈，倾向于同一种教育理念），将这一人群喜欢的新东西推荐给你。
2.基于物品的协同其推荐的基础思路是：先确定你喜欢物品，再找到与之相似的物品推荐给你。只是物品与物品间的相似度不是从内容属性的角度衡量的，而是从用户反馈的角度来衡量的。使用大规模人群的喜好进行内容的推荐，这就是在实际工程环境里，各家公司应用的主流分发方式。3.基于模型的协同是应用用户的喜好信息来训练算法模型，实时预测用户可能的点击率。
比如，在Netflix的系统中就将受限玻尔兹曼机（Restricted Boltzmann Machines, RBM）神经网络应用于协同过滤。将深度学习应用于基于模型的协同，也成为了业界广泛使用的方式。以协同的方式，通过用户行为的聚类发现许多隐层的连接。以读书会的场景为例，我们邀请不同的名家来领读书籍。
从领读人的角度，更容易直观的将同一领读人的作品视作一个聚类，比如马家辉老师领读的《对照记》、《老人与海》两本书，通过人工预判的前置规则，我们很容易将这两本领读书音频推荐给同一类用户。但是，通过协同的方式，我们会发现喜欢马家辉老师领读作品的用户，同时也会喜欢杨照老师领读的《刺杀骑士团长》一书。这种联系，是很难通过标签信息发现的，只有通过用户的行为选择，才会建立联系，提升内容和用户之间连接与匹配的效率。
文章TAG：引爆 趋势 报告 内容
