用户与产品之间的相互可以看成是双向线性的过程，手机上输入字母“d”和界面输出显示是一次短交互，完成一次购物支付是长交互，这是使用一次产品过程中。用户体验考量的是用户使用产品的全过程，这个过程包括了从安装到放弃使用的时间轴，交互的良性循环的优秀用户体验的表现。
简单以推荐引擎为例来说明各元素是如何在时间轴上发挥作用的：
初始化。基于群体特征和用户的相关程度，将相似用户喜好的其他物品推荐给用户。在用户对产品还没有发生行为时，用户填写的个人信息（性别、年龄和收入等）可以作为初始化推荐。
内容推荐。单个用户选择某一物品，系统基于物品的元数据推荐相似的产品。这是用户个体行为对数据的过滤，当用户多次行为之后，系统可以大概估计对用户的喜好。用户的历史行为会不断影响后续推荐，形成用户和系统之间的交互循环。
协同过滤。基于用户行为发现物品的相关性。内容推荐是单个用户对系统数据的过滤，而协同过滤是基于多个用户行为的交叉结果，所以依赖于其他用户行为数据量准确度。
输入法的字词联想也可以看出一个推荐引擎。当打入字母“da”，系统从词库挑选出“da”目录下的汉字“大/达/打……”，“大”字上屏之后，系统联想与“大”组词概率比较大的字“家/学/概……”。这些联想词最早可能是从字典中筛选出来的，如用户选择了“概”字，“概”会被系统加权，下次对“大”联想时更靠前显示。用户输入词组“dagai”,选择“大概”上屏，也是对“概”字的加权。
如用户输入“daniu”，选择了“大牛”上屏，而系统词库中没有这个词组，属于用户自造词。如用户分别输入“da”和“niu”并上屏，系统智能分析“大”和“牛”有组词的概率，有可能用户下次输入“大”字，系统会联想到“牛”。
联想的交互是单个用户对系统词库的内容过滤，初始词库可以逐渐形成个性词库。如果是云端输入法，系统可以实时获得所有用户的输入字词，词库的更新频率更快，满足用户个性词库的同时也能更新最新流行词，这是多个用户对词库的协调过滤。
用户自造词会降低部分词汇的出现概率，系统甚至会从词库中删除这些词汇。从输入法的例子中可以看出用户行为是如何影响系统和其他用户，历史行为影响新的行为，实现不断的交互循环。
纯银的“显性内容决定论”可以理解为：优质用户产生优质内容，优质内容吸引优质用户，内容决定产品的魅力和气场。从系统设计的观点看，用户行为可以看成系统数据的一部分，优秀用户的行为和优质内容是同质化数据。它们之间的频繁交互是优化内容数据的组织形式，再不断向外扩展生成和吸收同质数据，版本迭代是滚雪球式的数据扩展。
如此看来，产品架构需要考虑是如何增加数据量、组织数据和数据扩展的良性循环。
切客的勋章
以手机LBS为例，增加数据量的方法简单分为三种：用户输入、导入数据和商家发布信息。需求驱动用户主动使用，LBS的勋章激励机制是引导用户行为，优惠券是刺激用户需求。用户的签到行为如果无法加以利用的话，可以认为是不断输入垃圾信息。但签到的位置、签到商家的类型和频繁程序都是可以加以分析，便于后期向用户推荐有效信息和组织用户之间的联系。
