2-3面向用户增长的信息流分发机制.pdf

1、面向用户增长的信息流分发机制 阿里文娱-人工智能部-信息流推荐 天师 目录 3. 核心增长机制 双边冷启动与流转机制 消偏与因果推断 面向增长的用户画像 效用理论应用 2. 内容信息流-推荐算法 推荐系统回顾 信息流推荐的增长目标 1. 内容信息流-用户增长 问题定义 问题分析 增长要素 内容信息流 用户增长 问题定义 本文的问题域 内容信息流app用户增长问题 内容信息流：图文信息流，短视频信息流、内容+电商信息流 旨在解决的问题 基于推荐算法视角的信息流产品用户增长问题 留存问题 幸存者偏差 本文受众 信息流产品的 推荐算法专家 数据科学家 产品专家 问题分析 背景 在移动互联网进入下半场

2、的大趋势下，过去粗放式的买量、厂商合作等模式越来越会受到掣肘，将更加依赖精细化的用户增 长策略和产品用户体验的细致打磨；经典的AARRR模式会逐步转向RARRA模式，提升产品留存、拉活、分享传播等方式是构 建增长的主要战场。而在此之中，对于一个内容型产品，个性化算法对于用户留存、拉活将起到决定性的作用。 信息流产品增长的成功模式 头部内容模式 该类产品利用精准的内容采买眼光、引入优质的头部内容创作者，利用头部内容的流量聚集效应，迅速圈定大批用户， 并形成内容app特有用户心智。由于内容头部化，个性化算法在其中发挥的空间和作用较小，产品、模式趋于同质化。 下沉/激励模式 该类产品参考了网络游戏模

3、式，从各个环节设计用户里程碑和激励，不断引导新用户一步步完成点击、下刷、完整阅读、 分享、关注等目标里程碑，并给予虚拟货币和真实货币的激励，在短时间内可以获取大量下沉用户。 生态构建模式 该类产品构建了完善的内容生产和消费生态，旨在通过推荐系统同时刺激生产和消费，实现两端的同时增长。 个性化核心问题 用户状态建模：深度建模用户状态和行为，从大数据集中找到使用户从低阶状态到高阶状态转化的干预因子。 个性化分发的升级：将用户行为建模后，在多个场景将这些干预动作落地为个性化推荐算法和营销算法，满足用户的消费需 求。 增长要素 增长要素 优质内容 / 时效性 个性化体验 多渠道获客 CPC vs LTV 算法如何助力增长? 精细化买量/外投 提升留存 衡量Action的效用 消除幸存者偏差 AARRRRARRA Acquisition：获客 Activation： 激活 Retention： 留存