我们常说，养用户就像谈恋爱，持续的运营就是让这份恋爱更健康更甜蜜。谈恋爱则要在“一切都是为你好”的指导思想下让用户感觉到你重视她，她是你的唯一。而“为你好”要讲究方式方法，不是你以你认为的方式对她好，她就真的能感受到你的用心，关键是对方认可并接受你的方式。就好像你的女朋友因为生理期需要你的关心，你不能只说“多喝热水”一样。

那么push推送要讲究怎样的方式方法呢？

简单来说，就是“合适的时机做合适的事”，展开来说则是，在“合适的地点、合适的时间，以合适的频率和适当的包装告诉用户，我推送的这条消息你肯定需要。”而显然，我们拿不出一套满足所有用户这5个“合适”的方案，但我们还想让用户感受到是唯一性，那么这时候就只能通过云暖男——个性化push来实现了。

满足5个合适要素的个性化push是如何实现的

个性化push作为个性化推荐的场景之一，想要实现必然要具备一套推荐系统，但其推荐方式与Feed流推荐有些许不同。Feed流一次推荐一般来说都是推荐N个内容，以每次推荐10条来说，如果其中有5~6条内容用户都点击了，说明用户对推荐的内容颇为满意。但个性化push每次推送的内容仅为1条，虽然有应用尝试过一条内容里含多条信息的取巧方式，但具体效果怎样不得而知。如图4–11所示。

图4–11 知乎的push推送

几乎所有的推荐系统推荐内容的来源都是全量的物料数据，但是push推送作为应用的与用户的主动互动，在用户认知里，推送的消息一定是重要的。而且大型的平台物料池里可能有成百上千万的物料，并不是每一个物料均能达到推送的标准，因此push推送的物料需要经过人工筛选加机器筛选，从全量物料中筛选出优质物料，放到推送的物料池中，并且物料池要实时更新与用户的互动特征。如图4–12所示。

（图）

图4–12 计算流程

那么，下一步如何才能将优质的内容推荐给感兴趣的用户呢？算法模型的计算。

其实，整个计算的过程跟前面所述的推荐计算过程并无二致。在电商场景中，每个用户对应一个实时的推荐列表，那么权重最高的商品即为推送给用户的商品。而像优惠券、满减之类的活动大多依赖用户协同模型的推荐，将优惠券当作物料之一，将用户领取作为用户的行为，在用户领取几张优惠券之后，就可以根据与当前用户最相似的用户群体所领取的优惠券再推荐给当前用户。

商品、新闻资讯、视频等push系统都可以直接拿来推送，因为这些数据类型在上报时大多都具有一些有吸引力的标题，像满减之类的活动，则可以运营人员预先设置好的一些固定话语，再将活动穿插进去即可。用户打不打开推送的push，虽然与这条push是否需要正相关，但人都是视觉动物，都是有好奇心的，怎么利用用户对push的一瞥就抓住用户的注意力，让用户忍不住地想点击链接，则是一门学问了，都是需要运营不断在试错中摸索的。

推荐系统返回给服务器该push的内容后，push系统下一步要做的工作就是将这些内容通过各种渠道（信鸽、友盟、个推、手机厂商通道等），具体发送过程在此不再赘述。但发送过程中，有2个点需要注意：推送时间和推送频率。

推送时间相对来说比较好处理一些，调一下每个用户最常登录应用的时间段，避开几个用户不愿被打扰的几个时间段，如深夜、下午3~5点工作时间等，基本就没什么问题。虽然很多用户的习惯是在睡觉之前甚至是深夜使用APP，但这并不代表用户同意你大晚上的“嘣嘣”的推送消息来打扰他休息。

而推送的频率现在主要有两种处理方式：一种是机器学习模型处理；一种是人工规则的设置。在训练基于用户频次的训练集时，不同用户差异性非常大，高频用户沉淀了很多行为特征，而低频用户的行为则比较稀疏，如果把所有用户都放在一起训练，模型堆模型则会把简单的问题复杂化。所以一般建议将用户按照活跃程度对推送频率的训练集进行拆分，可拆分为：高频、中频、低频，分别去训练针对不同频率的模型，这样在模型训练时会简单也会更高效一些。

对于大多数平台来说，机器学习效果并不一定合适，在用户行为特征较为稀疏、一个用户仅有几个数据点时去预测这个用户适合什么样的推送频率，这个试错成本相对较高，而人工规则虽然不够出彩，但基于运营人员积累的运营经验，至少不会犯错，也不会过分地打扰用户。毕竟，用户一旦被烦扰了，后果不是关闭推送就是卸载，这个代价还是有点大的。

在发送过程中，还有一些细节工作需要注意。例如，当用户没有新的用户行为时，取权重最高的内容推送给用户后，即使用户没有点击，也不能重复的推送相同的内容，要注意去重，顺延着推荐列表取权重高的内容。

至此，每个用户都已经收到了来自应用方的个性化push，但push推送成功后并不代表推荐系统的工作就已经结束了。推荐系统还需要对用户收到push推送后的行为进行收集，例如是否点击、是否在通知栏点击了关闭等。需要注意的是，在采集行为样本时，用户没有对推送内容进行点击并不代表用户不认可这条推送的内容。例如某些热点事件发生时，用户可能会同时收到多个平台推送的相同内容，可能因为在忙或是没时间看这些内容。这些行为特征都会重新进入推荐系统的排序模型中，经过CTR预估模型、推荐未点击降权等，对推荐结果列表进行重排和对物料进行实时特征更新，后验特征反馈到最终的物料池，整个个性化push推送才算完成了一个完整的闭环。

总的来说，不同行业APP的个性化push机制是不同的。跟个性化推荐一样的是，需要根据不同的业务场景制定不同的推荐策略和训练不同的算法模型。例如：在社交产品的推荐中，还会融合用户关系模型。在短视频推荐中，还会将标签、主题词、关键词融合到语义模型中。同时，我们在push这个场景还可以泛化一下，个性化push中推荐系统提供的是个性化的内容列表，其本身是一个纯离线业务，所计算出来的内容列表是可以应用到更多的场景，例如EDM给客户发送邮件、给客户发送短信等离线业务场景。因此，具体场景具体分析具体制定个性化push的策略是在push推送中永不过时的指导方针。