国外亚洲成av人片在线观看,热99re久久精品这里都是精品,天堂网在线最新版www,国产成人av区一区二区三,51久久成人国产精品麻豆

關(guān)于機(jī)器在用戶畫(huà)像和內(nèi)容畫(huà)像精準(zhǔn)構(gòu)建出來(lái)之后，如何做推薦呢？本文以今日頭條為例，跟大家談?wù)勍扑]策略。

關(guān)于推薦

首先，為了方便讀者更好的理解本文，筆者將以今日頭條（建議在手機(jī)上下好“今日頭條”APP，且最好注冊(cè)一個(gè)頭條號(hào)并登陸到后臺(tái)）這款產(chǎn)品為例輸出一些內(nèi)容推薦（分發(fā)）相關(guān)的“干貨”。

回到標(biāo)題，何為推薦？

簡(jiǎn)言之：“物以類(lèi)聚，人以群分”。

那何為物，何為人呢？

答：物為內(nèi)容（文章/圖文/視頻等），人為用戶（刷今日頭條的用戶）。

那么機(jī)器怎么知道內(nèi)容和人屬于什么類(lèi)別（斷物識(shí)人）呢？

再答：“內(nèi)容畫(huà)像”和“用戶畫(huà)像”的構(gòu)建，而推薦的過(guò)程其實(shí)就是完成用戶和內(nèi)容的匹配。

那么什么是“內(nèi)容畫(huà)像”和“用戶畫(huà)像”呢？機(jī)器是如何對(duì)兩者進(jìn)行精準(zhǔn)構(gòu)建和匹配呢？

內(nèi)容畫(huà)像

內(nèi)容畫(huà)像，簡(jiǎn)單來(lái)說(shuō)就是內(nèi)容的特點(diǎn)。如果具象化內(nèi)容，筆者更傾向于假設(shè)是一個(gè)內(nèi)容漏斗（類(lèi)似于倒三角形用戶漏斗，不過(guò)所示關(guān)系不一定為層級(jí)關(guān)系，見(jiàn)圖1）。第一層通常表示內(nèi)容的一個(gè)垂直領(lǐng)域（大類(lèi)別）而后面幾層可以大致表示為標(biāo)簽/關(guān)鍵詞/主題詞等小類(lèi)別。

（圖2：百度圖片，僅圖示忽略文字）

考慮到內(nèi)容漏斗有很多層，為了便于理解，筆者簡(jiǎn)單說(shuō)一下用戶可以直觀看到的幾層。最顯眼的可能就是第一層了，在頭條（指今日頭條）內(nèi)部通常指的就是垂類(lèi)（垂直領(lǐng)域），如：科技、娛樂(lè)、體育等。

舉個(gè)栗子：筆者昨天發(fā)布的一篇軟廣，被機(jī)器識(shí)別成了“科技”領(lǐng)域的文章。那這個(gè)內(nèi)容第一層就是科技，通常為機(jī)器標(biāo)注（涉及NLP技術(shù)：文本分類(lèi)、命名實(shí)體識(shí)別等）、人工手打（傳說(shuō)中“打tag”的一種主要形式），或PUGC創(chuàng)作者（統(tǒng)稱：頭條號(hào)）在發(fā)布內(nèi)容時(shí)進(jìn)行領(lǐng)域選擇，不過(guò)，現(xiàn)在發(fā)布內(nèi)容已不需要進(jìn)行選擇。

顯然，光知道內(nèi)容的大類(lèi)并不能給用戶精準(zhǔn)的推薦感興趣的內(nèi)容。這里再講一層，其實(shí)也是一種打tag的形式（涉及NLP技術(shù)：文本主題/關(guān)鍵詞抽?。皇瞧脚_(tái)根據(jù)用戶的喜好對(duì)內(nèi)容做更進(jìn)一步的更細(xì)化了。還是上面舉例的這篇文章，對(duì)應(yīng)的一些細(xì)分tag就有vivo、手機(jī)、科技等。

當(dāng)然，這個(gè)內(nèi)容漏斗遠(yuǎn)不及這兩層，細(xì)分其實(shí)有很多種，比如接著上文舉例的文章來(lái)說(shuō)，漏斗可能是這樣的：科技->手機(jī)->Android->vivo->vivo旗艦機(jī)->vivo NEX->vivo NEX雙屏版。而細(xì)分的驚喜，內(nèi)容畫(huà)像也就越清晰，推薦才越精準(zhǔn)，當(dāng)然，技術(shù)難度也是同樣提高的。

因此，像頭條比較強(qiáng)悍的競(jìng)品之一，一點(diǎn)資訊號(hào)稱365萬(wàn)個(gè)個(gè)性化訂閱頻道，可想后面支撐的一個(gè)推薦算法團(tuán)隊(duì)是有多強(qiáng)。

當(dāng)然，除了內(nèi)容的特點(diǎn)之外，內(nèi)容畫(huà)像還包含內(nèi)容的質(zhì)量、熱度、原創(chuàng)度、所發(fā)布用戶的權(quán)重等。而這個(gè)權(quán)重指的就是頭條對(duì)頭條號(hào)所發(fā)布文章的推薦權(quán)重（更多的是內(nèi)容冷啟動(dòng)推薦數(shù)量，以及后續(xù)推薦的加成幅度）。

說(shuō)到推薦權(quán)重，就不得不提一下之前平臺(tái)為了讓頭條號(hào)作者們過(guò)新手/評(píng)原創(chuàng)有一個(gè)量化的指標(biāo)，即頭條號(hào)指數(shù)（如圖6所示），而這個(gè)頭條號(hào)指數(shù)其實(shí)可以理解為平臺(tái)對(duì)于頭條號(hào)的一個(gè)打分，決定了頭條號(hào)所發(fā)布內(nèi)容的推薦權(quán)重。而頭條號(hào)指數(shù)的評(píng)定標(biāo)準(zhǔn)有5大方面（如圖7）：原創(chuàng)度、垂直度、關(guān)注度、健康度、傳播度。不過(guò)，現(xiàn)在頭條號(hào)Web端后臺(tái)已經(jīng)看不到了，不過(guò)手機(jī)端還可以看到。

（圖7: 2017年6月26日筆者頭條號(hào)后臺(tái)）

用戶畫(huà)像

什么是用戶畫(huà)像呢？簡(jiǎn)而言之就是你（顯式&隱式）的基本特征（比如：性別、學(xué)歷、年齡、常駐位置等）和興趣愛(ài)好（籃球迷、數(shù)碼控、動(dòng)漫迷等）所構(gòu)建出來(lái)的一個(gè)“屬性圖”（技術(shù)通常稱為“知識(shí)圖譜”）。

舉個(gè)栗子：我們通常被機(jī)器標(biāo)注成一個(gè)數(shù)據(jù)組合（如圖9）：科技 | 20%、體育 |10%、娛樂(lè) | 30、養(yǎng)生 | 5%……..

（圖9：用戶畫(huà)像實(shí)例，來(lái)源《內(nèi)容算法》）

那么問(wèn)題來(lái)了，機(jī)器如何知道一個(gè)用戶的畫(huà)像呢？

首先，用戶分為新用戶和老用戶兩類(lèi)。針對(duì)前者就涉及到了用戶畫(huà)像構(gòu)建的一個(gè)常見(jiàn)且難點(diǎn)（策略產(chǎn)品面試比問(wèn)）——（用戶）冷啟動(dòng)，通常面試官會(huì)問(wèn)你，如何做用戶冷啟動(dòng)？

那么筆者告訴大家一個(gè)常見(jiàn)的答案：

• 首先，新用戶打開(kāi)APP會(huì)讓選擇喜歡的領(lǐng)域；
• 其二，絕對(duì)的冷啟動(dòng)并不存在，用戶在其他APP的行為其實(shí)也會(huì)被監(jiān)督到，比如：你在淘寶看球鞋，打開(kāi)頭條刷新聞就能刷到你剛看的那款球鞋的廣告，也就是說(shuō)在你打開(kāi)APP那一刻，你的一個(gè)比較明顯的屬性·體育|籃球已經(jīng)被獲取了。
• 其三，機(jī)器通常會(huì)給你推薦當(dāng)前熱點(diǎn)內(nèi)容「比如科技領(lǐng)域 | iPhone發(fā)布新品，娛樂(lè)領(lǐng)域 | 汪峰上頭條等」，通過(guò)你在這些內(nèi)容下的用戶行為（點(diǎn)擊，點(diǎn)贊，轉(zhuǎn)發(fā)，跳出，停留時(shí)長(zhǎng)等），機(jī)器會(huì)對(duì)屏幕前面的你有一個(gè)“初印象”。

通過(guò)你在不同領(lǐng)域內(nèi)容的用戶行為，判斷你對(duì)內(nèi)容的興趣度，從而構(gòu)建你的一個(gè)初步用戶畫(huà)像（這是當(dāng)前常用的一種用戶冷啟動(dòng)方式）。比如：打開(kāi)頭條，給你冷啟動(dòng)推送了12條內(nèi)容（3條NBA+3條娛樂(lè)+3條科技+3條美食），然后你點(diǎn)擊了3條體育，2條數(shù)碼，1條娛樂(lè)…..。

那么，最開(kāi)始的用戶畫(huà)像（V1.0）可能為體育 | 30%，數(shù)碼領(lǐng)域 | 20%，娛樂(lè)領(lǐng)域 | 10%，其他領(lǐng)域 | 20%，目測(cè)是一名男性，愛(ài)好運(yùn)動(dòng)，科技宅等。然后，還發(fā)現(xiàn)里面2條體育內(nèi)容都是和科比有關(guān)的，那么你大概率是個(gè)男性科密數(shù)碼控。

后來(lái)，你變成了老用戶，隨著你使用頭條的次數(shù)越多，你產(chǎn)生的用戶行為數(shù)據(jù)越多，背后的模型就會(huì)被訓(xùn)練的越“聰明”。隨著你“刷”的越多，你的用戶畫(huà)像也會(huì)隨之發(fā)生不斷的變化，變得越來(lái)越細(xì)化，越精準(zhǔn)。

如何推薦

最后，關(guān)于機(jī)器在用戶畫(huà)像和內(nèi)容畫(huà)像精準(zhǔn)構(gòu)建出來(lái)之后，如何做推薦呢？

事實(shí)上，這其實(shí)就是一個(gè)匹配（match）的操作。當(dāng)然，簡(jiǎn)單說(shuō)匹配筆者認(rèn)為還是不夠恰當(dāng)，因?yàn)槌诉@2個(gè)用戶畫(huà)像和內(nèi)容畫(huà)像（相關(guān)性特征）之外，機(jī)器在訓(xùn)練模型時(shí)還會(huì)考慮熱度特征（全局熱度、分類(lèi)熱度等）、協(xié)同特征（相似用戶、興趣分類(lèi)用戶等）、環(huán)境特征（時(shí)間、地理位置等），詳見(jiàn)圖10。

（圖10：來(lái)源文章“今日頭條算法原理（全）”）

那么，機(jī)器學(xué)習(xí)到了這些如圖6的這些特征之后，推薦模型就會(huì)被不斷的更新（準(zhǔn)確的說(shuō)是模型的參數(shù)在發(fā)生更新，如：神經(jīng)網(wǎng)絡(luò)在做后向傳播時(shí)會(huì)在每一次迭代時(shí)發(fā)生相關(guān)權(quán)重參數(shù)的變化），最后機(jī)器呈現(xiàn)給不同用戶的內(nèi)容也會(huì)因?yàn)檫@些特征的不同而不一樣，甚至同類(lèi)型的用戶，也就是所謂的“千人千面”（最早用在電商平臺(tái)）。而作為內(nèi)容“消費(fèi)”平臺(tái)，這里主要指的是內(nèi)容分發(fā)。

那么如何讓內(nèi)容分發(fā)變得更加精準(zhǔn)呢？

這里不得不提這兩個(gè)名詞，即：召回和排序。這里難講，簡(jiǎn)言之，召回比較依賴于內(nèi)容和用戶的標(biāo)簽匹配度，而排序則涉及到一個(gè)用戶興趣傾向性，或者是一個(gè)更加細(xì)粒度的匹配問(wèn)題上，因?yàn)橐ＷC合適的內(nèi)容放在合適的位置。

比如：筆者是一個(gè)數(shù)碼控，那如果推送12篇內(nèi)容給我，我更傾向于第一篇是關(guān)于數(shù)碼的而不是娛樂(lè)的。而排序也往往能夠反映出推薦策略的優(yōu)秀程度。因?yàn)橹挥凶層脩糇羁斓挠|達(dá)你感興趣的內(nèi)容才會(huì)產(chǎn)生更多的留存，才會(huì)激活，才能進(jìn)行轉(zhuǎn)化（才能更便于平臺(tái)推送廣告等商業(yè)化操作）。

當(dāng)然，AI時(shí)代，決定模型表現(xiàn)，或者說(shuō)我們這里的推薦系統(tǒng)（也可以理解為是一種機(jī)器學(xué)習(xí)模型）的表現(xiàn)，除了算法本身，還有算力（指的是計(jì)算機(jī)運(yùn)算能力，這方面頭條和競(jìng)品無(wú)法拉開(kāi)差距，因?yàn)檫@是錢(qián)能夠解決的問(wèn)題），還有另外一個(gè)關(guān)鍵項(xiàng)就是數(shù)據(jù)（高質(zhì)量的數(shù)據(jù)）。

關(guān)于數(shù)據(jù)的重要性，讓我想到了帶我做科研的一位博士師兄（目前在Amazon做推薦）說(shuō)過(guò)的一句話：“Garbage in, Garbage out”，而這句話更適用于AI+產(chǎn)品落地上。簡(jiǎn)言之，數(shù)據(jù)對(duì)于推薦結(jié)果（或者說(shuō)內(nèi)容分發(fā)）的好壞起著十分根本性的作用。

說(shuō)到這，請(qǐng)大家跟著筆者思考一個(gè)問(wèn)題，頭條DAU（日活）據(jù)說(shuō)2.4億+，而每個(gè)用戶日均使用時(shí)長(zhǎng)70min+，假設(shè)用戶閱讀一篇內(nèi)容（文章/視頻）的平均時(shí)間是2min，那么用戶閱讀內(nèi)容數(shù)據(jù)得有2.4億*70/2 = 84億+（條）！。

所以，回到最開(kāi)始的問(wèn)題，為啥說(shuō)頭條推薦如此牛逼呢？

那是因?yàn)橥扑]算法的3個(gè)核心壁壘，頭條都屬于業(yè)內(nèi)前列（甚至可以稱得上是國(guó)內(nèi)NO.1）。

One More Thing

以上，皆為筆者粗鄙之見(jiàn)，所講內(nèi)容只是今日頭條推薦算法里的極少部分，背后的Model和Data十分龐大與強(qiáng)大，紕漏難免，還望諒解并給予批評(píng)指正。

另外，筆者認(rèn)為機(jī)器（計(jì)算機(jī)）再厲害，也是人類(lèi)所“賦予”的，機(jī)器越來(lái)越聰明的背后反映的應(yīng)該是人（如：推薦算法團(tuán)隊(duì)| Modeling & Data processing）在不斷的進(jìn)化變強(qiáng)！

『參考』：

• 閆澤華|《內(nèi)容算法》
• 今日頭條·曹歡歡博士|今日頭條算法原理（全）：http://h5ip.cn/mgq9
• Dietmar Jannach等著，蔣凡譯|《推薦系統(tǒng) [ Recommender systems:An introduction]》
• 項(xiàng)亮|《推薦系統(tǒng)實(shí)踐》

本文由 @不二互聯(lián)網(wǎng)-Alex 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來(lái)自Unsplash，基于CC0協(xié)議