打字猴:1.704849881e+09
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
[ 上一页 ]  [ :1.704849881e+09 ]  [ 下一页 ]