聊完了系统架构、内容与用户的画像建设和基础推荐算法，推荐系统的骨架算是大体搭建完毕。然而，作为一套提供综合服务的推荐系统，仅有铮铮铁骨是不够的，还需一副花样皮囊，以更好的场景划分和交互界面来实现效能最大化。

场景划分

一个复合型产品是包含多场景的，推荐算法应当针对相应的场景做出调整和适配。参考2015年Netflix发表的论文，我们得以一窥在Netflix中不同场景下的产品设计和算法应用。

垂类个性化推荐视频，如图中的“悬疑电影推荐、浪漫电影推荐”，应用了PVR(Personalized Video Ranker)算法，针对每个用户推荐个性化的内容。这使得用户在统一类目下（如图中的悬疑电影、浪漫电影）也会有不同的消费体验。

基于用户的消费历史推荐（Because You Watched），如图中“因为您观看了电影，给您推荐”，这种场景与电商网站“买了某商品的用户还购买了某某商品”很类似。推荐算法的核心在于计算两个物品之间的相似度：既可以是基于内容特征本身的相似度，也可以是基于物品的协同过滤相似度。通过计算相似度产出的候选集，在该集合之上进行个性化的排序和推荐。

基于Top热榜的推荐，应用了Top-N Video Ranker算法，与PVR算法应用于特定垂直类目不同，TopN算法选择的是多个召回序列的头部结果，优中选优基于全品类内容提供推荐。

基于时下流行的推荐，Netflix应用Trending Now算法给用户推荐他们可能关心的短期热点，从分钟维度到天的维度不等。典型的应用场景有两种：周期性的消费，如情人节一定是爱情电影的消费高峰；短期热门事件消费，如发生飓风后，有关飓风的纪录片或电影就会有一段消费高峰。对应到电商场景，这种季节性的消费特点也会比较明显，如不同季节的服饰购买需求、如各个时节的农产品购买需求等。

继续观看的场景，运用Continue Watching算法，基于用户未看完的内容或正在追的剧集进行推荐。在这一场景下，并不是将用户未看完的内容以时间逆序罗列，而是综合考虑了上一次的观看时间，观看行为（暂停在了开头、结尾）等进行动态调序。此外，考虑到存在家庭账号共享的行为，算法也会进一步基于设备信息来推断当前这一用户是谁，从而展示相应的观看历史。

搜索的场景。推荐在搜索的场景下主要用于搜索词、结果的补全。以上图左侧为例，用户搜索“usual”但对应的影片“The Usual Suspects”系统中并未收录，从而反馈的是基于搜索意图的推荐结果；在上图右侧，用户输入了“fren”，除了界面右上角为搜索结果外，其余都是推荐的结果。界面左下侧展示了搜索词的补全，右下方展示了“French Movie”的推荐结果。

交互界面

如果说推荐算法的好坏隐性影响着用户的体验，那么交互界面的好坏显性的影响着用户感知和行为。

以最为常见的推荐理由为例，这一设计广泛应用于内容推荐、电商推荐的场景。如下图中亚马逊提供的“购买此商品的顾客也同时购买”商品推荐列表，微信看一看提供的“好友都在读”、“技术大咖在读”内容推荐标签。

站在工程的角度，推荐理由提升了推荐系统的透明性，让用户明白为什么会推荐这类型的内容。站在业务的角度，更多的会从促成转化的角度入手，即什么样的推荐理由可以增加说服力，引发用户认同。比如“技术大咖在读”这样标签，从信息量上来看弱化为“技术”即可，保留此种说法的目的就在于满足用户的虚荣感。跟服饰店里导购员对你说的“美女，这件衣服好适合你啊，穿上特别显瘦”是一个道理。

另一方面，交互界面的调整也能够给系统带来更多的数据反馈和沉淀，我们通常会将更希望引导的用户动作以强展现（如更强化的设计、更好位置的入口），并辅以各种引导和降低门槛的措施。以大众点评为例，用户产出的商铺点评是大众点评社区体系内非常重要的一环，其点评界面如下

输入框的部分，通过提示的方式引导用户从口味、环境、服务的角度来切入，避免无话可说的情况；图片上传，以积分和后续的等级体系、抽奖反馈来刺激；推荐菜，直接展示了热门菜供用户选择。各种引导和降低输入成本的措施，促进了单页面的内容积累量。

交互界面的迭代辅助了用户的决策、引导用户按照系统所期望的方式前进，实现提升系统指标的最终目的。也正因如此，对于推荐系统有着“交互界面 > 数据 > 算法”的说法。