推荐中的频次控制

在业务场景中，我们不时会碰到需要频次控制的场景，典型的Case如：

C端消费的角度

• 品类密集，运动频道一屏都是NBA的内容；
• 低质密集，视频列表里接连不断的推荐出点击导向的三俗内容；

B端供给的角度

• 基尼系数偏大，在很多平台都会发生单点过热，出现了如一两个大V把持了流量的情况。

在上述的场景下，不论是出于用户体验的考虑，还是出于平台生态管控的角度，我们都需要引入对于特定对象的频次控制，牺牲全局的单一效率目标去做多目标的平衡。

为什么要牺牲全局效率目标？

在自然选择的过程中一定会出现强者和弱者：强者依靠自己的优势地位获取更多的资源，扩张到投入产出比的边界；而弱者，要么被淘汰，要么找到一个垂类领域生存。这一自然选择的现象，本身是无可厚非的。但是，在系统的角度，由于我们代入了上帝视角拥有了金手指，就往往使得这一过程发生了扭曲：就像银行贷款往往更倾向于以低成本放贷给不需要贷款的大企业，而不是真正需要贷款的小企业一样，推荐系统同样倾向于把流量曝光资源进一步倾斜给到强者而非弱者，从而造成了各种密集：品类密集、低质密集、大V密集等等。

在短期的角度来看，这一选择无可厚非：用户就是喜欢看特定类型的内容，大V的内容就是欢迎。而从中期的角度来看，这一选择实质上是在透支平台的可能性，蕴含了雪崩的风险：我们过度偏好了用户的某一个显性偏好，而没有花足够精力去探索其他隐性的偏好，当用户偏好发现变化的时候，我们往往无法及时承接用户偏好的变化，从而导致了用户的流失；我们让大V在平台上获得了过多的廉价流量，短期固然会带来数据指标的繁荣，长线上来看一方面可能抑制了小V的生存空间和生长可能，另一方面也往往出现客大欺店，增加管理成本的情况。在快手上屡屡发生的大V叫板平台，就是鲜活的例证。

辛巴怒怼Tomas

所以，在平台增长有空间的时候、发展有余力的时候，我们通常建议牺牲一些全局的效率指标，通过关注多元指标的方式，让迭代目标复合化。类似于发展GDP的同时关注碳排放和污染控制，我们在发展交易规模的时候也需要同时关注公平性指标、拒绝性负向指标。在收获快速增长的消费规模时候，一定要清醒区分这个指标数据的构成：是少数人带来了大量消费，还是每个人都有一定的消费；少数人的大量消费是可持续的、还是透支自身未来的，亦或是透支平台其他参与者利益的。

一个可执行的指标，在一定时间维度里大概率是一个单一指标，目标聚焦才好集中发力；但是在拉长时间轴去看，如果持续闷头狂奔，必然会带来结果的扭曲。我们需要通过在不同时间节点下调整自己的主要目标，才能够实现整个系统的均衡、有序发展。

如何做频次控制？

如何从曝光角度做资源的频次控制？我们可以分别从B、C的角度入手进行调控。

从C端的角度看，有三个维度：

• 全局频次控制，保证某种内容在全局的曝光里，将占比控制在阈值以下。这也通常是研发最喜欢使用的维度，直接设置一个Boost系数，就能够极大的缓解问题。
• 个体频次控制，基础的精细化调整。尽管我们控制了全局的频次，但是仍然可能在个体身上碰到雪崩。比如，我们在全局控制了NBA的内容，但是对于一个更偏爱NBA内容的用户，列表里仍然会都是同一类型的内容，所以，要限定一个个体的推荐列表里的内容上限。
• 个体体感控制，是进一步的精细化调整。因为用户在刷列表的角度会有时序上的体感，如一屏内出现的内容、接连三四条出现的内容。这时，我们就可以进一步的在一屏内进行打散，以不要让用户产生体感上的密集。

从B端的角度看，也可以进一步引入阶梯状的调权：

• 将B端的曝光设定不同的阈值，每当进入一个新的阈值后，就会进行相应的调权，从而控制基尼系数。（类似个税的等级调控机制）。
• 从更大生态的角度来思考，在保证平台交易规模一定程度损失的前提下，将流量更倾向于腰部、而非绝对头部，既能够让腰部有所生长，又能够使他们更依赖于平台。

控制频次，是我们对通过对资源的再分配，以实现对平台生态的干预。只有在干预之前更明确自己要用全局效率指标换来什么样的新指标，才能够更好的平衡整个过程中的取舍。