推荐系统
单列还是双列？
单列的好处
降低信息密度，不用思考
『抖音』在让用户上瘾这件事上做的很极致很聪明，上瘾式的设计之一就是用单列设计，打造完全沉浸式的体验，用户打开抖音视频自动播放，不知不觉就开始看下去了，不感兴趣立即划走，就像一个快乐的魔盒，永远没有尽头，你永远不知道你划了多少下。
在短视频这个领域里，自动播放+单列设计要明显优于双列瀑布流。
双列瀑布流决定了短视频不能自动播放，因此你可以看到快手上的短视频封面会做的很用心，要么放明星美女要么放吸引眼球的标题，总之吸引点击转化的关键全都集中在视频封面上。
而单列设计+自动播放可以尽量发挥视频的优势，决定用户留存的战线被拉长了，变成开头的那几秒。
所以我觉得如果你的产品是帮用户Kill Time的，你也希望用户对你的产品上瘾，单列设计会更契合当下用户不想动脑只想“哈哈哈”的需求，当然前提是算法做的好。
最后多说一点减少让用户思考这件事，我碰到很多情况是业务上不太注重减少用户思考这件事，很多时候希望每屏能尽量多展示一些信息，留白能少则少，但我觉得『Don‘t make me think 』在信息爆炸，用户注意力匮乏的时代变得越来越重要了，尤其是移动端碎片化的使用场景下，一个简洁清晰没有那么多干扰信息的界面变得更难能可贵了。
提高单个内容的转化
适合偏媒体型产品，通过提高版面占比，更多内容的透出，提高单个精品内容的点击转化。在广告变现上，单列要远远高过双列。
2017 Apple Store的颠覆性改版是非常非常成功的改版，直接将当时有些疲软的软件应用市场重新变得充满活力，是一次通过提升用户体验达到商业目标的一次非常好的案例。
从设计上来讲，新版Apple Store的采用的设计策略之一就是内容外显，在首页Today里大胆采用了单列超大图的设计方式，第一屏基本只能看到1.5张卡片，带来的差异就是App的开发者们终于可以不用凭小小的图标分胜负了，他们可以用比原来更丰富的一张精美大图去吸引用户点击下载，对于用户来说，点开Apple Store看到的终于不是一排排五颜六色的小图标，而是一张制作精美吸引你点击的图片和一段可能正好切中你诉求的标题。总而言之，更好“逛”了。
非常好理解的是，当你展示的更多，越可能吸引到别人。Apple Store改版的设计聪明程度也显示在此，数据显示，原先通过浏览下载的数据量也从10%上升到15%以上。
如果你希望用户在你的产品里完成“种草——转化”的行为，与其百花齐放地提供给用户更多平均的选择，不如加大猛料在一个选择里，用每天一个精品选择让每天上这个APP都充满惊喜和收获。
双列的好处
总有你想看的
单列设计对头部内容容错率很低，头部内容质量极大影响用户留存，用户刷两屏不感兴趣立马就走了。而双列对内容的容错率较高，用户刷两屏能看到更多内容，因此可以允许产品展示更多元化的内容。
例如：小红书；毒
我理解『小红书』是一个UGC图片种草社区，用户每天都会在上面发布大量的笔记，从服装到养生，内容涵盖领域非常广泛。因此我理解有两点原因让小红书选择双列瀑布流的展示方式：
- UGC内容的质量不能完全把控，只能用更多的内容留住用户，总有你喜欢的。
- 一次性能让更多作品被曝光，有助于提升社区内容创作者的活力。
- 观看者的目的性不明确，可能想看护肤可能想看搭配，需求精准匹配的可能性较低。
并且对于社区来说，双列设计的长期好处可能要远超单列设计。一个社区的健康发展非常依靠内容创作者，而单列设计会让头部的内容获得更多关注，而腰部尾部的关注相应就少很多，长期以来不利于社区的健康发展。
所以如果你的产品是一个泛品类的UGC社区，不能保证每个内容都能精准地吸引到用户，用双列设计是一种又保险又健康的选择。
“找”的效率更高
非常好理解的是，双列比单列能展示更多的信息。这个优势在带有较强目的性的产品里就非常重要，能极大提升用户“找”的效率。比如淘宝的猜你喜欢，用户本身有模糊的购物意向，逛淘宝跟逛街类似，可能不是为了买某个具体品牌的某个东西，而是想看看有没有什么可以买的。这个时候双列设计如同一排排商品货架能够快速地在一屏浏览更多到宝贝，更容易在里面发现自己心仪的物品。
例如：淘宝的猜你喜欢；Pinterest
所以如果你的产品使用场景是用户带有比较明确目的的，建议使用双列设计，让用户能更快速地找到自己想要的东西。
两种排列的适用范围
单双列不是一个绝对的选择，但却是一个影响深远值得细细斟酌的选择。
从盘点来看，有两类产品的选择比较清晰：
- 偏媒体型的产品——单列能让用户更不费力地读到更精品的内容
- 社区平台类的产品——双列更容易让社区呈现百花齐放的发展
同时在做选择时，可以从以上的好处去判断，哪些优势是你的产品更看重的。
技术挑战
小红书
去中心化分发、多模态表征、推荐时效性、内容冷启动、多目标建模、多元异构混排、兴趣多样性、留存建模。
内容刚发出来时没有后验信息，这时就需要多模态表征和内容冷启动。
多模态表征：图片+文本：传统技术CLIP、Bert，目前：LLM表征，LLAMA2+pretrain，用prompt token表示笔记。
基于内容相似的pooling：当得到新笔记Embeding后，计算其和老笔记Embeding的多模态相似度pooling，这样就可以按老笔记的后验信息进行分发。
两阶内容冷启动：面对新内容的行为稀疏性，为克服表征学习不充分的问题，在“基础冷启动”阶段，系统利用深度内容表征技术进行新内容的精准分发；进入“快速扩散”阶段，系统则根据用户的早期反馈，快速增加推荐曝光，让新内容迅速触达目标用户群体。
高时效推荐系统：去中心化、高时效分发系统，通过大规模在线学习（Online Learning）技术，优化实时 U2I 召回模型，实现分钟级别的模型参数学习和更新。
- 扶持目标：分发潜力预估、内容质量模型
- 内容表征：多模态表征、LLM表征
- 基础冷启：内容表征召回、多模态对比学习DropoutNet
- 快速扩散：扩散召回、实时召回
- 排序策略：流量优化OCPC、贝叶斯寻参、引入作者价值
- 协同召回：Online Swing、Online CF
B端视角
单边流量分配机制
- 主流推荐仅站在用户视角判断。考虑用户看到视频后，用户会怎么样。
- 缺失B端视角的判断：一个作品被用户看到后对作品来说意味着啥？ 作品被不同人群看到后的冷启动效率和结果，不同人群后验反馈对作者投稿以及投稿质量的影响。
- 推荐系统的优化，不止于单次曝光效率最大化，内容的长期成长以及被利用效率均是优化方向。
B端视角分发可以充分利用内容侧对推荐系统的优化空间，要给把作品分发给最匹配的人群，我们需要：
- 作品的匹配人群是啥
- 作品被该用户看到后的B端价值是什么
- 如何融合B端价值和用户端价值
B端和广告
把这两个放一起是因为这两个真的很像，广告并不是你把一部分流量拿出来拍卖给广告主就完事了的，因为现在广告主很少采用CPM的方式投放广告（1000次展示付一次费）而是更多采用CPC（一次点击付一次费）、CPA（一次行为付一次费）的方式。
广告出价模式
首先我们先考虑平台公司如何盈利，假设平台每日作品曝光量为100亿，平台打算拿出1%的流量作为广告位，如果按CPM计费，假设竞得CPM为80（广告主竞价投放，平台把广告位给到CPM出价最高的广告主），那么平台每天的收入就是100亿*1%/1000*80=800万元。
也即一个公式：Ad revenue = DAU*人均PV*广告展现率*CPM，那么思考如何提高营收，就需要考虑提高这四个指标中的哪一个，怎么提高。
但是要注意，CPM是不符合广告主利益的，因为广告主的需求并不是浅层的曝光，而是更深层的转化，比如广告主需要知道用户是否点击了广告，是否下载了APP，是否完成了某个行为，那么就演变出了CPC、CPA等出价模式。
此时，假设广告主AB按CPC出价，分别给出1、0.8的出价，此时应该把广告位分配给A吗？不一定，因为转化率可能不同，如果A的转化率是0.2，B的转化率是0.3，那么我们千次曝光所能获得的收益对于AB来说分别是：，所以应该把广告位分配给B，这个200和240就是eCPM，计算公式：eCPM=展示次数1000*展示到点击的转化率*广告主为单次点击支付的费用。
所以平台需要做的，就是准确估计转化率，把广告发给最容易转化的人，这样也能减少广告对于平台的影响，也即：阿里巴巴解决了人找货的问题，而推荐系统则是需要解决货找人的问题。
那么讲到这里，B端和广告的相似度也就显而易见了，B端同样是要完成作者找用户的问题，把作者作品分发给最可能喜欢看的用户，这样流量的使用效率是最高的。