本文的前半部分是作业 - 「视频推荐策略」的作业内容和笔记。根据策略产品分析的四要素，对「视频播放结束后推荐相关视频」功能背后的产品逻辑进行拆解，先完成了第一版作业提交。因为感觉自己拆分过程十分粗陋，也很多专业知识不够了解，于是我背后查了其他资料，并摘出关键信息。所以后半部分是根据论文资料完善作业，重心放在了第三步计算规则上，因为这部分是我目前急需练习的技能。
作业题目：
分析不同用户在同一场景下的目标或需求
常见场景：
- 场景1：在家一个人看电影，视频结束后，原准备关掉视频，但是看到新的推荐视频继续播放了，反正闲着没事继续播放看看；
- 场景2：和男朋友一起看视频，视频结束后，看到旁边推荐视频栏目有相关片花觉得很有趣，点开继续看；
- 场景3：视频结束之前，觉得视频太长并不准备看完，看到旁边推荐栏目有关键情节的片花，点击看推荐视频，放弃原有电影完整视频。
内容需求：
- 幕后花絮
- 重点/搞笑片段
- 电影插曲MV
- 主演的其他视频
- …
推荐视频策略的四要素
~这里我对场景的分析比较牵强，对需求理解不够深入。
根据不同用户的场景和视频内容的需求，如何推荐与正在播放的原视频「相关」的视频给用户，提高用户继续留在本视频网站。
要素1：待解决问题
根据用户正在观看的视频，在所有相关视频的集合中，选出最吸引用户的部分视频，让用户继续观看。
要素2：输入
（1）用户基础信息特征
- 注册用户信息：性别、生日、定位地点等（在统计数据下预测）
- 注册用户的历史播放过的视频（推测用户喜好标签）
（2）原视频信息特征
- 视频标题
- 豆瓣评分
- 上映时间
- 视频时长
- 视频描述信息/简介
- 视频关键词
- 类型（科幻、动作、…）
- 主演（演员）
- 导演
- 播放次数
- 评论数
- 评论内容
（3）候选推荐视频信息特征
- 视频标题
- 上映时间
- 上传者昵称
- 视频时长
- 视频描述信息/简介
- 类型（科幻、动作、…）
- 播放次数
- 评论数
- 评论内容
要素3：计算方式
- 根据输入的原视频的信息特征，自动提取标签
- 根据输入的候选推荐视频的信息特征，自动提取标签。
- 在海量视频中，计算推荐视频与原视频的相似度。将最接近的视频选出。
- 根据所有用户的视频偏好（如演员幕后花絮、插曲MV），以及推荐视频打好的标签，计算推荐视频所属的类别，进一步分类。
- 通过输入的用户信息特征（基础信息、历史观看记录）等，向该用户推荐与原视频相关并满足该用户喜好的视频。
- 推荐视频顺序按照相关度+喜好+评论数等规则计算后进行排序。
要素4：输出
- 将排序完成后的推荐视频，在原视频的侧栏展示。
思考&查找相关论文资料
时间来不及，先交作业再看其他同学写的作业，以及行业已有的做法。。
- created，180503
