無論是在詳情頁或是關注頁，我們都能夠看到相關推薦模塊的身影。
該模塊往往基于頁面的主內容進行相似性、關聯性拓展，試圖引導用戶在完成當下的消費行為后，進行進一步的消費行為（如下圖中的關注推薦）。
本質上，相關推薦模塊是對用戶及時性行為的一種反饋。
如前所述，從理想態來看，如果我們系統的反應足夠迅速，是不需要相關推薦的。結合用戶最新行為進行重新計算，得出的推薦結果大概率是最優的。
但實際的承接上，或是工程上做不到如此高效的反饋，或是收益上無需做到如此靈敏的反饋，都使得我們需要一個折衷性的解決方案，用一個成本不那么高的“離線+規則”系統來構建出相關推薦模塊，從而獲取增量收益。
1?基礎策略
相關模塊是基于被點擊的主內容進行拓展的，那么結合場景和用戶行為，基于主內容 A去挖掘潛在的內容 B，就是我們需要重點思考和研究的切入點，即 P(相關內容 B | 場景，用戶，主內容 A)，有三種常見的方式：
零策略，基于用戶進行推薦。
這種最取巧的做法，直接忽略了主內容 A，只計算P(相關內容 B | 用戶 )。 相當于把相關推薦的位置當作了一個簡化的列表頁入口，完全不考慮用戶點擊了什么內容，而是直接將預先計算出的內容在詳情頁提供給用戶。
兜底策略，基于被推薦資源之間的相似性計算。
無論是基于靜態的自然屬性（文本、品類）或是基于動態的用戶行為選擇（相似的用戶群消費），我們都能夠離線得到一個內容 A vs {內容 B，內容 C，內容 D}的相似列表。當用戶圍繞內容 A 產生主動行為時，就認為用戶可能會對相似列表中的內容感興趣。
疊加策略，基于用戶的場景、行為路徑進行調整。
用戶的行為是有場景的，即他是在什么樣的路徑之下做出了點擊的選擇，我們的相關推薦模塊也可以根據這個語境進行對應的調整。
比如，同樣是在某款電冰箱商品詳情頁里，相關推薦的內容會因為用戶的來源不同、行為不同而產生差異性：
用戶是在搜索“電冰箱”的場景下進入詳情頁的，我們對于場景里的理解是，用戶還是在一個大范圍篩選決策的過程中，相關推薦可能應該推薦類似價位、類似配置的電冰箱；
用戶是在某品牌店里進入詳情頁的，用戶可能對于品牌有預設或傾向性，相關推薦可能應該推薦同店內的類似電冰箱；
用戶是從購物車里進入詳情頁的，相關推薦可能應該推薦在購物車里的其他冰箱或其他商品，目標導向是完成從購物車到下單的決策。
用戶已經發生了購買行為，相關推薦可能應該推薦常和電冰箱有共同購買行為的商品，而不應該重復再推薦其他品牌的電冰箱了。
私域與公域邊界的模糊化
在上述的策略里，我們提及到了品牌店、作者主頁等場景。
一個可以進一步探討的問題是，這些頁面算是第三方自己所有的么？
如果我們按照古典的思考，會認為一個店鋪、作者專區是歸屬于店鋪或作者本身所有的。但事實上，在全局最優化的利益驅動下，私域的界限已經漸漸模糊，讓渡給了公域。這表現在，你可能會在 A 店鋪的 商品A 的 相關推薦中，看到一個B 店鋪的同款但是更便宜的商品B，甚至是 C 店鋪的防款商品 C。
從平臺交易額最大化的角度，這樣全局的相關推薦大概率是最優的，只是這樣真的是好的么？對錯并無結論，只是一個古典產品經理的碎碎念罷了。
2?推薦理由
在確定了基礎推薦策略后，剩下的就是包裝了。
首先，先插入一則劍橋大學心理學教授薩托·埃爾文的實驗。在有許多學生在排隊等著使用打印機的場景下，教授讓一個人走到隊伍的前面，和大家溝通以讓自己先使用打印機。
措辭 A:“很抱歉，各位能讓我 先打印嗎?我趕時間。”有大約六成的人允許這個人排到自己前面。
措辭 B:“很抱歉，能讓我先來嗎?因為我需要打印好幾份文件，這些文件急著要用。”有九成以上的人都同意讓這個人先打印。
措辭 B 里，“因為”一詞的引入，如神跡般提升了通過率。這個詞觸發了受眾的潛意識，使對方相信你的做法事出有因，而非無的放矢。即便這個理由實際上很弱、站不住腳，但仍然會讓絕大多數的人條件反射般地同意。
給出一個“因為”，在相關推薦的模塊里一樣成立：
無論你是通過什么邏輯組織出的相關推薦內容，都可以找一個看似合理的理由包裝起來。同樣的數據集合，不同的推薦理由，就會帶來不同的點擊效果。
可以是熱門，可以是很多人也在買，可以是相似商品，甚至是一句不知所謂的推介都好。比如，微信公眾號使用的是：“喜歡此內容的人還喜歡”，淘寶使用的是“看了又看”，微信讀書使用的是“書籍推薦”，QQ 音樂使用的是“相關歌曲”、“相關歌單”。
給出一個“因為”，提升用戶行為。
