是先按照统计模型

一种方法是新用户主动选择兴趣偏好，让用户自己去选自己对什么感兴趣；另一种是先按照统计模型（Thompson 汤普森采样 – 可以理解为按照一个标准）去推。也就是如果从第一天开始，所有新用户看到的都是一样的，但同时我加快动作的反馈，也就是当用户一旦有了点击、收藏、付费等行为，那么下一次请求数据的时候，推荐就可以起作用了。

 怎么给老师多一些曝光机会？

这个问题需要先理解另外两个问题：为什么推荐不多给老师一些曝光机会？如何理解boost？

为什么不多给老师一些曝光机会？

推荐的目标是让用户满意（买课的人），一般不会考虑老师的满意度。当然，从平台生态的角度来考虑，只有让老师满意，老师才会传更多的课到平台，平台才有更多的课提供给用户（推荐去推）。

所以，在让用户满意的基础上（推得更准），也会加一些规则去保证老师的利益。比如课程冷启动规则（给一些新课固定的曝光资源）、运营精选boost（给一些优质课加权重）、已购老师boost（购买过的老师的课程加权重）。当然，后续可能也会有一些其他新策略，既让推荐推的更准，也能给到老师一些资源保证。

如何理解 boost ？

从推荐视角来看，是反对 boost 的，因为任何 boost 都是人的主观意愿：我认为用户对这个更感兴趣、我希望用户能看到这个内容。实际上，boost 并不能让推荐推得更准，过多的 boost 干扰还可能影响推荐的策略。

那为什么我们还会加一些 boost 的策略呢？

• 适当、合理的 boost 可能会提高推荐准确度，注意，只是可能。比如我们从数据发现，一半的用户都第二次下单都是买的原来老师的课程，那我们就加了相同老师（已购老师）的 boost ，让这个用户购买过的老师的课更容易展现给你。
• 对于老师而言，适当的 boost 是为了平台的老师生态，包括新课 boost 和精选 boost 。

如果运营侧有给老师曝光的诉求、想用流量作为运营老师的激励点，或者为了让一些尾部但优质的课程有售出机会，需要在推荐模型的基础上加干预规则，那么可以把你的诉求提给产品，产品和推荐同学会在不伤害用户体验、推荐仍然有作用空间、且能实现运营目标的基础上共同制定策略。

我怎么给推荐提需求

可以以这样的姿势给推荐同学提需求：需求目的是什么？想要解决什么问题？预期效果是什么？对用户会有什么影响？你要相信，推荐同学了解的推荐策略会比你多很多，把你的问题交给他，他们会选出更能帮你实现目标的策略。

❌ 错误的方式：我想在推荐强插某老师课程。

✅ 正确的方式：我们想要给优质课程更多的曝光机会，一方面是这些课程质量很好应该不会对用户体验造成损伤，另一方面也可以作为老师运营的抓手，能激励老师产生更多优质课程。

❌ 错误的方式：我想在模型里加个特征。

✅ 正确的方式：我发现最近给我推的课程价格都偏高，调研了几个用户也是如此。如果我们持续推高于用户消费水平的课程，付费率可能会越来越低。我们看下是通过推荐价格占比、还是引入用户历史/最近一次消费金额，来减少大量推高单价的情况。

❌ 错误的方式：能不能给新课加 boost。

✅ 正确的方式：老师拉新团队最近拉了很多新老师入驻，但是这些老师的课程都没有曝光量，这影响了老师传课的积极性，长期来看我们会做大量的老师拉新工作、如果新老师的新课没有流量会影响整个平台的老师生态。有没有什么方法，可以给这些老师/课程一些曝光的机会
我为什么要写这个

这篇文章不能说把推荐讲得非常透彻、但也尽力从业务视角把一个技术逻辑讲得更易懂。

我们是个平台产品，既有C端用户也有B端用户。负责B端拓展的同学就希望流量有倾斜，运营同学对各项指标负责又希望基于他的目标做策略调整，产品考虑用户体验也会有体验向的需求，不同角色的需求经常会相悖。而推荐本身也有自己的运转逻辑，一定会有不能满足、或者满足的不好的地方。

想要取得好的沟通效果、达成目标，就要先了解对方的逻辑（推荐），以及如何利用资源（推荐机制），这篇文章原本是写给我合作的运营同学，借此也献给所有会关注推荐和流量的运营伙伴。