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

編輯導語：從前，沒有推薦系統的時候，我們所看到的信息都是通過自己篩選的，難免會摻雜著自己不喜歡的東西。如今，推薦系統的遍布，讓我們上癮。本文通過縱觀行業發展趨勢，解析推薦系統的興起，一起來看看。

太多技術大咖們在分享推薦系統的知識，本系列作為一個策略產品從業務視角和行業整體變化趨勢來為大家詳細介紹一個推薦策略產品經理需要了解到的行業趨勢和必備的策略知識。

一、推薦系統在國內的興起由來

站在2022年這個時間點大家都知道推薦系統在各大APP得到了廣泛的應用，但站在整個國內互聯網行業發展的視角，推薦系統在國內的興起是有幾個非常大的標志性事件的。

事件一：2012年今日頭條的上線，第一個完全利用推薦系統進行流量分發的內容類APP

2012年張一鳴帶著自己積累多年的推薦算法從“九九房”辭職開始自己的第五次創業，成立了“字節跳動”。隨后推出的第一款產品就是今日頭條APP。

在2012年那個時間點，張一鳴就已經意識到未來是移動互聯網的時代。而移動互聯網必將給人們帶來爆炸信息，使人們面對的選擇越來越多，面對信息超載，人們常常無所適從。

在這種情況下，傳統人工編輯的信息分發模式已經不能適應了，一方面效率低下一方面人工成本太高，而通過推薦系統來實現更加智能和個性的推薦就是最好的方式。

相信大家用過今日頭條APP的對于今日頭條APP的推薦能力都很清楚，推的實在是太準了?？梢苑Q之為第一代“時間熔爐”，那時候還沒有精神鴉片抖音。今日頭條的上線是一個國內推薦系統發展的標志性事件，代表著推薦系統開始慢慢走向了臺前。

事件二：2015年淘寶雙11全面開啟“千人千面”時代

很多人知道蔣凡是因為他和張大奕的緋聞，但很少有人知道為什么蔣凡作為一個被阿里收購公司的員工能夠在阿里晉升地如此之快，一直到成為阿里的太子。

蔣凡在阿里能夠快速升遷做到阿里太子的位置，離不開蔣凡成功地將阿里從PC時代完成向移動端的轉型。蔣凡在阿里主導搭建了阿里的“千人千面”的推薦系統，以及成功布局了淘寶直播。2015年淘寶的雙11正式全面開啟“千人千面”時代，以往大家在淘寶首頁看到的推薦商品和頻道等基本上都是一樣的，并沒有實現按照用戶興趣的個性化分發。

而在2015年的雙11，淘寶正式宣布開啟“千人千面”的時代，這個背后的推手就是蔣凡。而當年雙11的成交額無線占比74.83%。從此以后蔣凡帶領著阿里，從月活躍用戶4億多，一直提升到巔峰期接近9億。

淘寶開啟“千人千面”的時代標志著推薦系統在電商領域的分發效率也已經遠遠超過了傳統的人工配置或者BI的方式，推薦系統已經滲透到了人們生活的很多領域，從閱讀新聞到網上購物等；

事件三：2020年淘寶雙11前首頁改版，首頁焦點圖下移，推薦模塊上提

2020年雙11前夕淘寶首頁發生了一個大改版，就是原本首頁最上方的橫版焦點圖下移到了下方推薦信息流模塊的第一坑，而中間的各種頻道和運營樓層全部下線，最下方的“猜你喜歡”模塊大幅上移。而淘寶為什么這么做？核心原因其實也就只有一個，以往的這種信息分發方式已經不能適應當前用戶的需求了，已經不是最優的信息分發模式。

各種運營手動配置的樓層下線，大幅提升基于推薦模型千人千面分發的“猜你喜歡”模塊的位置。

以上三個事件可以說是推薦系統在國內互聯網領域應用的標志性事件。而在這些事件中推薦系統解決了一個核心的問題：如何實現日益增長爆炸式的信息與用戶不斷變化興趣和需求之間的高效匹配。

二、推薦系統為什么會興起？

那推薦系統為什么在2010后才開始蓬勃興起，早在上世紀90年代就已經有了各類推薦算法如協同過濾等，那時為什么推薦系統沒有發展起來？推薦系統的興起是因為4大因素在一起促進了推薦系統的蓬勃發展。

2.1 時代的變化

2010年開始智能手機的普及，互聯網慢慢由PC時代進入移動時代 ，用戶可以無時無刻拿著手機上網，同時4G網絡的普及網速更快流量也更便宜了。人們開始有更多時間在網上漫無目的的沖浪，同時人們也不斷地在網上生產更多的內容。爆炸式的信息增長和爆炸式的用戶增長，二者之間如何實現更好的匹配。就需要一種更加智能的方式，也就是推薦系統。

2.2 數據的積累

同時因為移動互聯網時代的到來，用戶在網絡上表達的行為信息越多，計算機可以采集到的用戶行為信息也就越多。推薦模型就有了更多的數據去學習，去了解用戶的興趣和需求，推薦系統就可以推的更“準”。

2.3 技術的進步

大規模機器學習和深度學習在推薦系統領域的應用。2010年以前推薦系統主要使用的還是傳統的協同過濾和基于內容推薦的算法。

2010年以后隨著算法科學家們在推薦系統領域的不斷研究，將大規模機器學習框架引入到了推薦系統領域，大幅提升了推薦系統模型分發的效率和效果。后面又隨著深度學習模型的應用，推薦系統的推薦效果也越來越好，對于用戶和物品的特征挖掘的更深更廣。

2.4 算力的進步

AI的發展離不開：算法、算力和數據。作為AI在工業界應用最廣的場景：推薦場景。推薦系統的發展自然也離不開算力的進步，當復雜的模型需要基于海量的數據進行模型訓練時，這時就需要性能高的算力來支持。

傳統的CPU資源訓練一個推薦模型可能需要3天，這種效率太低下。當使用最新的GPU資源來訓練深度學習推薦模型，可能只需要3小時，大幅提升模型的訓練和迭代效率，算法工程師的工作效率也會更高，模型的迭代也會更快。

所以“時代的變化”促使了對于更加智能化信息分發方式的訴求，而“技術的進步、算力的進步、數據的積累”保證了推薦系統完美地匹配上了時代變化產生的業務訴求。

三、推薦系統是萬能的嘛？可以取代未來所有的流量分發方式嘛？

上面我們介紹了這么多行業發展的趨勢和推薦系統的應用，那么推薦系統是萬能的嘛？它未來會取代所有的流量分發方式嘛。

首先先說結論：不會。我們以電商APP為例，可以將APP的流量場域分為3大類吧。

推薦是基于用戶的興趣，平臺主動去探索為用戶推薦可能感興趣的商品。而搜索是用戶主動表達需求，平臺被動接受的。

搜索場景是平臺不可或缺的，需要給用戶表達訴求的場景。而在電商平臺搜索場景也貢獻著超過60%以上的訂單，可能在內容類APP上搜索場景流量不多，但是在電商類APP用戶目前還是傾向于搜索。

另外一大場景就是頻道&會場，這些場景其實落地頁里面很多都是基于推薦系統來進行內容分發了，只是很多時候業務側會有一些強干預，尤其在一些特殊節點上，一些會場會重點將一些流量傾斜給某些品牌等。比如寶潔和京東達成戰略合作，寶潔希望618期間有一個專屬的會場，里面分發的商品由他們自己決定，這種特殊需求在實際業務開展中其實有很多。

推薦系統分發就是完全交給推薦模型，由模型決定。而有一些場景因為實際業務我們需要人工干預，這時候就不能依靠推薦系統來進行信息分發了。

總的來說近些年推薦系統的蓬勃興起是時代的訴求，技術的推動，天時地利人和。對于行業的了解和未來發展趨勢的判斷是推薦策略產品經理必須要具備的。這篇文章是開篇，后面將會為大家詳細介紹推薦策略里面的召回、粗排、精排、重排、前端樣式、內容創意等各類策略。

本文由 @King James 原創發布于人人都是產品經理。未經許可，禁止轉載。

題圖來自 Unsplash，基于 CC0 協議