1704851163
内容算法：把内容变成价值的效率系统 [:1704849731]
1704851164
内容算法：把内容变成价值的效率系统 面对推荐系统
1704851165
1704851166
从茫然无知到过度自信，再从过度自信到心存敬畏，对于自媒体和内容分发业务，我的感受如是。
1704851167
1704851168
还记得早年间，《人人都是产品经理》一夜间将“用户视角”这一概念进行了科普。那时，产品经理最常挂在嘴边的话是：“站在用户的角度，我觉得某功能可以上线。”拍脑袋上线的功能比比皆是。
1704851169
1704851170
而随着数据驱动迭代流程的日益完善，千人千面的策略成为现实时，产品经理的措辞变为了：“基于统计数据，我觉得某功能可以进行AB实验。”
1704851171
1704851172
从主观到客观，从自称典型用户到承认自己只是一名非典型用户，我们也许需要从第三方视角，基于统计数据去观察揣摩我们的用户。
1704851173
1704851174
人机大战：效率与目标之争
1704851175
1704851176
输给机器不冤
1704851177
1704851178
1997年，深蓝战胜了卡斯帕罗夫。
1704851179
1704851180
2017年，Alphago战胜了柯洁。
1704851181
1704851182
在我初入百度时，系统里还有很多陈年的人工干预规则。
1704851183
1704851184
而在此刻行文时，百度公布2017年第二季度财报，其信息流业务DAU（日活跃用户数量）破亿元，全面转向人工智能战略。
1704851185
1704851186
作为有技术背景的产品经理，我坚信：在给定的框架和目标下，人类可枚举的规则是远逊于机器学习得来的模型的。
1704851187
1704851188
举个例子，如图8–1所示：
1704851189
1704851190
1704851191
1704851192
1704851193
图8–1 人为枚举规则与机器学习模型的复杂度对比
1704851194
1704851195
产品经理最直观能够想到的策略如图8–1中直线，简单但覆盖面积小。为了提升覆盖面，给策略增加了许多分支判断，从而构成了图中的折线。完成了以上两步，人脑能够实现的复杂度基本到顶了。想要拿剩下的收益，只能依靠机器。图中的曲虚线可以视作机器习得的模型，通过更高的复杂度覆盖更多的精细场景。
1704851196
1704851197
援引戴文渊，即“戴神”的一段经历：“2009年，我加入百度的时候，所有搜索、广告都是专家规则系统。当时，规则数写到了将近1万条，都是资深广告领域的业务专家写出来的。后来，我们用机器分析数据，最后写出了1000亿条广告规则，而且比人写的1万条更精细。所以，经过四年，收入提升了8倍。”
1704851198
1704851199
火车已然高速运行，就别再执念你的宝马良驹了。
1704851200
1704851201
不管你认不认可，机器学习大面积取代人工判断的时代，来了！
1704851202
1704851203
训练机器才重要
1704851204
1704851205
先讲个真实的事情。
1704851206
1704851207
在和某前辈聊天时：
1704851208
1704851209
前辈问：“优化点击率，你做了哪些规则？”
1704851210
1704851211
我一脸的茫然：“优化点击率是机器该做的事情。”
1704851212