社交推荐优先模型
社交推荐是有温度的推荐——好友觉得好的大概率你也觉得好，一条社交推荐的质量顶过2-10条算法推荐
"机器推荐是千人千面但无温度，社交推荐是有温度但覆盖不够。最好的系统是社交推荐为底座、机器推荐为补充。"
决策简报
核心判断
社交推荐应该是内容分发的底座，算法推荐是补充。好友觉得好的东西大概率你也觉得好，1条社交推荐的质量顶过2-10条算法推荐。
推理逻辑
1. 社交推荐自带信任——朋友背书的内容天然高于算法推出的陌生内容。2. 冷启动阶段社交推荐不依赖内容量级，算法推荐在内容少时效果极差。3. 社交推荐倒逼内容质量——创作者知道内容会被熟人看到会更认真。4. 前提是产品必须拥有社交关系链。
关键案例
视频号第一版用纯机器推荐效果极差，加入"朋友点赞"的社交推荐Tab后起死回生——这是社交推荐在冷启动阶段的决定性优势。
适用场景
内容产品推荐策略选择、冷启动阶段内容不够、用户反馈信息茧房、需要提升推荐信任度。
不适用场景
产品没有社交关系链时只能依赖算法；内容量级极大且需要精细化个性化分发时算法更高效。
决策逻辑
产品是否有社交关系链？有→社交推荐为底座；没有→只能依赖算法
内容冷启动阶段，社交推荐比算法推荐更有效——因为不依赖内容量级
社交推荐的信任度天然高于算法推荐——你朋友觉得好的，大概率你也觉得好
社交推荐倒逼内容质量——创作者知道内容会被朋友看到，会更认真创作
短内容的命中率天然高于长内容，视频命中率天然高于文字
好友推荐的1条内容质量可以顶过机器推荐的2到10条
协作模型
冲突模型
冲突场景： 纯算法推荐在无社交关系的场景中效率更高
化解方案： 两者不矛盾——有社交关系链时社交为底座算法补充，无社交关系链时算法为主
证据链
视频号第一版用机器推荐效果很差。加入'朋友点赞'的社交推荐Tab后起死回生——社交推荐在冷启动阶段不依赖内容量级。
机器推荐是利用机器优势，社交推荐是利用人的优势。两者不矛盾，但社交推荐应该是基础。
好友推荐的内容和机器推荐的内容比例可以是1:2甚至1:10——好友推荐的1条顶机器推荐的10条。