1704849881
1704849882
1704849883
1704849884
内容算法：把内容变成价值的效率系统 [:1704849723]
1704849885
1704849886
内容算法：把内容变成价值的效率系统
1704849887
1704849888
1704849889
1704849890
1704849891
内容算法：把内容变成价值的效率系统 [:1704849724]
1704849892
内容算法：把内容变成价值的效率系统 走近内容推荐
1704849893
1704849894
推荐系统架构初探
1704849895
1704849896
想象一下，站在推荐系统之城前的你被抽离出一个数字的躯体。你找到一面镜子端详自己，却惊诧地发现自己的身体已被无数数据所组合：科技10%、篮球4%、历史1%、自然0.3%……
1704849897
1704849898
你仔细观察，甚至发现了很多连你自己都没有注意到的细节：虽然热爱旅游，但喜欢博物馆远胜过自然景观；虽然身为老饕，但喜欢西餐甜点多过中餐……
1704849899
1704849900
当然，你也会发现自己的身体仍然被一团团大大小小的迷雾笼罩，那是尚未被系统发掘的兴趣点，连你也禁不住好奇那些迷雾的背后究竟隐藏着什么。
1704849901
1704849902
定了定神，你走进了推荐系统之城。专门为你适配的一篇篇内容如一群萤火虫般朝你飞舞过来、将你围绕，你伸手点击了一条感兴趣的内容将它点亮。就在点击的那一瞬间，你身上的迷雾有一丝散去了，同时显示出了新的兴趣点——极限运动0.01%，那些原本就存在的密密麻麻的数字也有一些发生了变化：有的权重上升，有的权重下降。每一次选择与反馈，你都在进化着自己的数字躯体。
1704849903
1704849904
现在，你生出了双翅，原地飞了起来，可以从高空俯瞰整个推荐系统。你看到了一个又一个数字拟态的人在城市的不同地方游走。每个人身边都围绕着许许多多的信息光点，又同其他人之间存在着若隐若现的连接。在那些信息光点中，被阅读的便会点亮，被忽略的则会变暗。每一个被点亮的光点都会分裂成更多光点，顺着人和人之间的连接飞舞到更多人的身边，就像被延续了生命一样。此起彼伏的光点明灭，共同照亮了整座推荐系统之城，让它仿佛有生命一般慢慢扩张。
1704849905
1704849906
上述过程听起来或许像科幻小说一样，但用来描绘推荐系统，却是再恰当不过了。
1704849907
1704849908
推荐是一个协作与进化的过程：
1704849909
1704849910
对内容而言，每一个用户既是消费者又是决策者，被认可的内容得以进一步扩散，不被认可的内容则被系统纠偏，以免给更多人造成负面影响。
1704849911
1704849912
对用户而言，每一次行为反馈都在不断地完善自己的数字躯体（用户画像），而系统的兴趣探索行为，也在进一步给这幅画像补充更多维度。
1704849913
1704849914
1704849915
1704849916
1704849917
图1–1 用户画像
1704849918
1704849919
（图片制作：https://wordart.com/create）
1704849920
1704849921
初步了解推荐系统架构，有助于我们更好地认知这一过程：信息是如何匹配给用户的，用户的选择又是如何影响后续信息分发过程的。
1704849922
1704849923
在推荐系统没有大规模应用于内容分发之前，人们更多地通过搜索的方式来获取信息。如果你对NBA（美国男子职业篮球联赛）感兴趣，或许需要时不时地在搜索引擎中查询“NBA”来了解最新资讯。
1704849924
1704849925
从工程角度来看，推荐系统的架构与搜索系统的架构具有一定的相似度：二者实现的都是信息与用户意图之间的匹配。搜索系统是将海量内容与用户表意明确的查询词相关联，推荐系统则是将海量内容与用户没有明确表达的偏好相关联。我们可以将推荐问题极度简化：当用户只有一个爱好“NBA”时，那么推荐引擎给用户的结果就可以近似等于搜索引擎在“NBA”这个搜索词下的结果。
1704849926
1704849927
首先，我们从简化的问题开始：搜索系统的架构是什么样的？
1704849928
1704849929
如图1–2所示，我们通常将搜索系统划分为离线和在线两部分。
1704849930