中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

信息過度和廣告過多的社會(huì)中，推薦算法的使用也就顯得理所當(dāng)然，但是它是如何做到了解用戶的呢？本文從用戶畫像的定義和設(shè)計(jì)出發(fā)，結(jié)合實(shí)際案例，深入淺出地闡述了基于用戶畫像的推薦算法及其產(chǎn)品設(shè)計(jì)。

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，且最好注冊一個(gè)頭條號(hào)并登錄到后臺(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”。

何為推薦？簡言之：“物以類聚，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)容和人屬于什么類別（斷物識(shí)人）呢？再答：“內(nèi)容畫像”和“用戶畫像”的構(gòu)建，而推薦的過程其實(shí)就是完成用戶和內(nèi)容的匹配。那么什么是“內(nèi)容畫像”和“用戶畫像”呢？機(jī)器是如何對(duì)兩者進(jìn)行精準(zhǔn)構(gòu)建和匹配呢？

一、內(nèi)容畫像

內(nèi)容畫像，簡單來說就是內(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（類似于倒三角形用戶漏斗，不過所示關(guān)系不一定為層級(jí)關(guān)系，見圖1）。第一層通常表示內(nèi)容的一個(gè)垂直領(lǐng)域（大類別）而后面幾層可以大致表示為標(biāo)簽/關(guān)鍵詞/主題詞等小類別。

▲ 圖1：用戶漏斗

1. 垂直領(lǐng)域

劃分方式：機(jī)器標(biāo)注（NLP技術(shù)），人工手打，PUGC創(chuàng)作者選擇（已不需要）。

考慮到內(nèi)容漏斗有很多層，為了便于理解，筆者簡單說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（垂直領(lǐng)域），如：科技、娛樂、體育等。舉個(gè)栗子，筆者之前發(fā)布的一篇vivo NEX的軟廣，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。

垂類的劃分方式通常為機(jī)器標(biāo)注（涉及NLP技術(shù)：文本分類、命名實(shí)體識(shí)別等）、人工手打（傳說中“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（如圖3），不過，現(xiàn)在發(fā)布內(nèi)容已不需要進(jìn)行選擇。

▲ 圖2：筆者頭條號(hào)“不二科技君”標(biāo)題截圖

▲ 圖3：來源百度圖片，早期頭條號(hào)發(fā)布內(nèi)容時(shí)需選領(lǐng)域

2. 細(xì)分tag

劃分方式：機(jī)器標(biāo)注（NLP技術(shù)）

顯然，光知道內(nèi)容的大類并不能給用戶精準(zhǔn)的推薦感興趣的內(nèi)容。那就需要第二層內(nèi)容漏斗了，這里要講的其實(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vivo NEX雙屏版文章，對(duì)應(yīng)的一些細(xì)分tag就有vivo、手機(jī)、科技等。「不過“一起皮一下才開心”是什么鬼？」

▲ 圖4：上述舉例文末對(duì)應(yīng)的細(xì)分tag

當(dāng)然，這個(gè)內(nèi)容漏斗遠(yuǎn)不止這兩層，細(xì)分其實(shí)有很多種，比如接著上文舉例的文章來說，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)分得越精細(xì)，內(nèi)容畫像也就越清晰，推薦才越精準(zhǔn)，當(dāng)然，技術(shù)難度也是同樣提高的。

像頭條比較強(qiáng)悍的競品之一“一點(diǎn)資訊”，就號(hào)稱有365萬個(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），如圖5可見頭條對(duì)筆者這篇“軟廣”的推薦量，也可以側(cè)面看出頭條對(duì)于軟文的打壓力度。

▲ 圖5：上文舉例文章的后臺(tái)數(shù)據(jù)，推薦數(shù)為5228

那推薦權(quán)重由什么來決定呢？其中一項(xiàng)就是頭條號(hào)指數(shù)。頭條號(hào)指數(shù)是之前平臺(tái)為了讓做作者們過新手/評(píng)原創(chuàng)而提出的一個(gè)量化指標(biāo)（如圖6），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，現(xiàn)在頭條號(hào)Web端后臺(tái)已經(jīng)看不到了，不過手機(jī)端還可以看到。除了內(nèi)容的特點(diǎn)之外，內(nèi)容畫像還包含內(nèi)容的質(zhì)量、熱度、原創(chuàng)度、所發(fā)布用戶的權(quán)重等。

▲ 圖6: 2017年6月26日筆者頭條號(hào)后臺(tái)

▲ 圖7：來源百度圖片，頭條號(hào)指數(shù)的五大影響因素

二、什么是用戶畫像？

什么是用戶畫像呢？簡而言之就是你（顯式&隱式）的基本特征（比如：性別、學(xué)歷、年齡、常駐位置等）和興趣愛好（籃球迷、數(shù)碼控、動(dòng)漫迷等）所構(gòu)建出來的一個(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8）：科技|20%、體育|10%、娛樂|30、養(yǎng)生|5%……..

▲ 圖8：用戶畫像實(shí)例，來源《內(nèi)容算法》

三、機(jī)器如何構(gòu)建用戶畫像

那么問題來了，機(jī)器如何知道一個(gè)用戶的畫像呢？首先，用戶分為新用戶和老用戶兩類。針對(duì)前者就涉及到了用戶畫像構(gòu)建的一個(gè)常見且難點(diǎn)（策略產(chǎn)品面試問題）——（用戶）冷啟動(dòng)，通常面試官會(huì)問你，如何做用戶冷啟動(dòng)？那么筆者告訴大家一些常見的答案。

首先，新用戶打開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，打開頭條刷新聞就能刷到你剛看的那款球鞋的廣告，也就是說在你打開淘寶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，娛樂領(lǐng)域|汪峰上頭條等」，通過你在這些內(nèi)容下的用戶行為（點(diǎn)擊，點(diǎn)贊，轉(zhuǎn)發(fā)，跳出，停留時(shí)長等），機(jī)器會(huì)對(duì)屏幕前面的你有一個(gè)“初印象”。通過你在不同領(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)初步用戶畫像（這是當(dāng)前常用的一種用戶冷啟動(dòng)方式）。

比如：打開頭條，給你冷啟動(dòng)推送了12條內(nèi)容（3條NBA+3條娛樂+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……那么，最開始的用戶畫像（V1.0）可能為體育|30%，數(shù)碼領(lǐng)域|20%，娛樂領(lǐng)域|10%，其他領(lǐng)域|20%，目測是一名男性，愛好運(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，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，你的用戶畫像也會(huì)隨之發(fā)生不斷的變化，變得越來越細(xì)化，越精準(zhǔn)。

四、如何推薦？

最后，關(guān)于機(jī)器在用戶畫像和內(nèi)容畫像精準(zhǔn)構(gòu)建出來之后，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，簡單說匹配筆者認(rèn)為還是不夠恰當(dāng)，因?yàn)槌擞脩舢嬒窈蛢?nèi)容畫像（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、分類熱度等）、協(xié)同特征（相似用戶、興趣分類用戶等）、環(huán)境特征（時(shí)間、地理位置等），詳見圖9。

▲ 圖9：來源文章“今日頭條算法原理（全）”

那么，機(jī)器學(xué)習(xí)到了這些如圖9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，這方面頭條和競品無法拉開差距，因?yàn)檫@是錢能夠解決的問題），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）說過的一句話：“Garbage in, Garbage out”，而這句話更適用于AI+產(chǎn)品落地上。簡言之，數(shù)據(jù)對(duì)于推薦結(jié)果（或者說內(nèi)容分發(fā)）的好壞起著十分根本性的作用。

說到這，請(qǐng)大家跟著筆者思考一個(gè)問題，頭條DAU（日活）據(jù)說2.4億+，而每個(gè)用戶日均使用時(shí)長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，回到最開始的問題，為啥說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內(nèi)NO.1）。

One More Thing

看完筆者“粗鄙”的輸出，大家對(duì)推薦策略有沒有想深入的興趣呢？如果有想了解的沖動(dòng)，甚至想定位做策略產(chǎn)品經(jīng)理的話，那么后面的一些話遠(yuǎn)比之前的長篇大論更加實(shí)在。

私認(rèn)為（內(nèi)容推薦）策略產(chǎn)品經(jīng)理入門之前，一定的推薦算法“技術(shù)”輸入是必須的。而一個(gè)較好且體系的學(xué)習(xí)方式就是“閱讀+思考+實(shí)戰(zhàn)三位一體”「摘自@劉飛老師很久之前在群里說的的一段話」。所以，這里的“One More Thing”是指筆者希望帶（和）大家一起做一些實(shí)際的，有意義的輸入，從根本上去尋找打開推薦策略這一黑匣的鑰匙。

關(guān)于“閱讀”，大家可以移步至我的微信公眾號(hào)，之前寫的一個(gè)“策略產(chǎn)品入門”的一篇文章獲取一下推薦書籍資源。那么，大家比較關(guān)心的“實(shí)踐”部分該如何去做呢？這里要賣個(gè)關(guān)子，相信你看完《內(nèi)容算法》這本書就會(huì)有答案了，因?yàn)楣P者覺得本書的后半部分其實(shí)就是澤華老師在教大家如何去做實(shí)踐。

以上，皆為筆者粗鄙之見，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，也是人類所“賦予”的，機(jī)器越來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)！

在此，作為南開人，忍不住向今日頭條創(chuàng)始人@張一鳴師兄致敬，向您帶領(lǐng)的優(yōu)秀團(tuán)隊(duì)表示崇高的敬意！

參考文獻(xiàn)：

1. 閆澤華|《內(nèi)容算法》
2. 今日頭條·曹歡歡博士 | 今日頭條算法原理（全）
3. 3Dietmar Jannach等著，蔣凡譯 | 《推薦系統(tǒng) [ Recommender systems:An introduction]》
4. 項(xiàng)亮 | 《推薦系統(tǒng)實(shí)踐》——策略產(chǎn)品小白 | 南開NLP碩士·熊慧超 2018.12.27

作者：產(chǎn)品TED；公眾號(hào)：產(chǎn)品TED

本文由 @產(chǎn)品TED 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

題圖來自Unsplash，基于CC0協(xié)議。