推荐算法是今日头条的核心竞争力吗？
首先申明一下，推薦算法是個很大的話題，實際工程中也是很多策略交織在一起。所以本文主要是盡量通俗易懂的講清楚推薦算法是個什么東西，不追求深入、全面和絕對的精確。
以下內(nèi)容分三部分：算法的核心；算法有多大用；實際工程中算法怎么工作的。
算法的核心是什么
推薦算法的核心是基于歷史信息尋找被推薦的東西(可能是人、物、信息)與用戶的一種關聯(lián)性，進而去預測你下一步可能喜歡什么，本質(zhì)上還是基于統(tǒng)計學的一種推測（谷歌的深度學習除外）。
這里有兩個關鍵點：歷史信息；關聯(lián)性。
歷史信息也就是大家所說的標準化數(shù)據(jù)；
關聯(lián)性也就是大家常說的算法，它做的事情就是猜測你可能會喜歡怎樣的東西。要搞清楚這個問題，還是得回到人在不同的場景中會喜歡怎樣的東西，這個在不同的場景中差別比較大。
舉兩個例子說明一下：
對于微信朋友圈：用戶最關心的是我跟發(fā)布者的親密度，其次是內(nèi)容的質(zhì)量和內(nèi)容的發(fā)布時間，這也就是Facebook(NASDAQ:FB)智能信息流的雛形，根據(jù)跟發(fā)布者的親密度，內(nèi)容的質(zhì)量和內(nèi)容的新鮮程度的一個混排算法。
對于美團外賣：用戶最關心的是這家餐廳好不好吃，價格貴不貴，有沒有優(yōu)惠，配送時間長不長。至于我認不認識這家餐廳的老板，這家餐廳開業(yè)時間就不是重點，所以算法就可能是完全不一樣的思路。
不管Facebook信息流還是美團外賣，核心還是得去理解用戶在你的產(chǎn)品中到底喜歡怎樣的東西，這個是基礎，算法只是工具。
算法真的有那么大效果嗎
?
這幾年今日頭條的成功，包括業(yè)內(nèi)各種人工智能（AI）的吹，讓我們以為算法無所不能，實際上算法真的有這么神奇嗎？
答案是：沒有
今日頭條的成功，我認為主要還是靠對流量的理解，戰(zhàn)略和公司的運營、算法、數(shù)據(jù)化思維形成的執(zhí)行力。算法在里面只是一環(huán)。
舉一個淘寶的例子
去淘寶的人從需求的強弱程度來看分三種：明確知道我要買啥的，知道我要買啥品類但具體買啥不知道，就是來逛的。
第一類算法沒有增長點，我就要買個蘋果的iphoneX，你再怎么推薦我也是買個蘋果X。
第二類算法的增長點一般，我要買個藍牙耳機，算法處理的好能提高成單率，客單價，利潤，但也是有限的，因為用戶進來之前已經(jīng)有了一些基本的預算之類的預設。
第三類是比較大的增量空間，因為第三類屬于激發(fā)性需求。就像你去商場聽導購一頓忽悠，買了本身不需要的東西。但是第三類的成單量本身的占比并沒有那么大。
所以綜合下來，算法實際的效果也就是在完全沒有算法的基礎上有1.1，1.2，1.3倍這樣的效果，這是由用戶的需求總量決定的。
當然我不是說算法沒用，因為在同等成本結構的基礎上，你的轉化率哪怕比競爭對手高5%，那也是巨大的效率碾壓。我只是想說，算法沒有大家吹得那么厲害，并不能直接決定一家公司的成敗，算法只是一個輔助。
算法在實際工程中的工作過程是怎樣的
?
在實際的商品類的推薦系統(tǒng)中，主要分三大塊：收集數(shù)據(jù)和整理（商品畫像、用戶畫像）；算法推薦；上線實驗及回收結果。
【1】收集數(shù)據(jù)及整理?
假設小明開了一個有3家分店的大型水果連鎖店，收集數(shù)據(jù)階段主要包括：
商品屬性信息：小明將店內(nèi)的每一個水果以及水果的信息都記下來，甜的還是酸的，品質(zhì)S還是A，有沒有損壞，性寒還是熱，單價貴不貴，有沒有優(yōu)惠等等。這是商品的基本屬性信息。
商品反饋信息：銷量咋樣，停留率咋樣，停留轉化率咋樣，用戶的評價反饋咋樣。這個是基本的反饋信息。
人的基本屬性：什么人，什么小區(qū)，穿著打扮咋樣，年齡多大，哪里人。
人的行為信息：這次買了啥，下次買了啥，看了啥，咨詢過啥，買完之后反饋咋樣。
數(shù)據(jù)階段收集是一方面，最關鍵的是收集的數(shù)據(jù)是結構化的，是在用戶的購買決策中是有效的，比如說用戶中途出去抽了一根煙這種信息就沒啥用。
【2】算法推薦?
算法階段關鍵的還是搞清楚用戶在不同的場景中會喜歡怎樣的水果。
我個人喜歡把商品推薦主干算法分為4個部分：質(zhì)量評估，個性化，場景化，人工干預。
質(zhì)量評估：有些標準是存在絕對的好與壞的，水果是不是好的，性價比高不高，銷量好不好，優(yōu)惠力度大不大，用戶反饋好不好這些是存在絕對的好與壞的，我相信沒人想買個爛蘋果。
個性化：有些東西是存在個體差異的，甜的還是酸的，進口的還是國產(chǎn)的，水果的品種是櫻桃還是芒果，性涼還是熱的，品質(zhì)分級是S還是A（跟前面的爛沒爛兩個概念）。
舉個例子：
一個金融白領可能喜歡的是甜的車厘子，進口的，品質(zhì)S級的，優(yōu)惠不敏感，客單價高；而小區(qū)的家庭主婦喜歡的可能是楊梅，品質(zhì)還過得去的國產(chǎn)的就行，很在乎優(yōu)惠，客單價適中的。
那對于前一種用戶就可以推一些客單價高的，毛利高的進口產(chǎn)品，相應的也可以少設置優(yōu)惠；對于后一種就應該推一些性價比高的，有折扣的清倉的商品。
場景化：不同的時間和地點會一定程度上影響用戶的消費決策，比如夏天大家喜歡吃西瓜，在醫(yī)院邊上香蕉好賣，中午的時候不帶皮可以直接吃的東西好賣因為大部分下午還要上班，晚上則需要處理的也賣的還可以。這個就是不同的場景帶來的影響。
人工干預：算法本身是不帶意志的，但是很多時候人會強加一些意志上去，比如說最近年底沖業(yè)績了，需要強推高毛利的商品了；比如這個櫻桃是合作方的，需要強推；比如有些東西快過期了，需要強推。
算法最后做的就是把里面每一個環(huán)節(jié)打上一個分，最后再把這些因素去加總得到一個最后的結果呈現(xiàn)在用戶面前。但是這個分怎么打？這個就涉及到算法的價值觀
所謂算法的價值觀，就是你希望算法最終的結果是怎樣的，我是希望銷量最大化還是銷售額最大化還是利潤最大化。不同的目標帶來不同的結果。因為算法只是為目標最大化負責的。
算法在處理每一項得分的時候也挺簡單，簡單說就是，如果我的目標是銷量最大化，那有兩個特征：優(yōu)惠力度，評價。
如果隨著優(yōu)惠力度的提高購買轉化率急劇提升，那么我認為優(yōu)惠力度這個特征權重就高；如果隨著評價的提升購買轉化率提升較慢，那么我認為評價這個特征的權重就一般。
這個過程并不復雜，算法的優(yōu)勢在于它能記錄更豐富的信息（工程中特征數(shù)量可能達到百萬級），處理海量的數(shù)據(jù)——這是算法比人有優(yōu)勢的地方。
這個大概能支撐起一個算法的框架，實際的應用中會在一個主干算法的基礎上去迭代很多小的策略。
下面舉幾個具體的細分迭代策略：
比如說買了芒果的用戶很大比例都買了櫻桃，那相應的會把買芒果的用戶列表中的櫻桃相應的往前提——這個就是大家常說的購物籃算法。
比如說同樣是國貿(mào)摩根大廈的用戶更喜歡進口水果，那對于一個摩根大廈的用戶他列表中的進口水果，高客單價水果需要往前提。這個類似協(xié)同過濾，通過找到跟你類似的人，再去看他們喜歡啥。
比如說你第一次買了榴蓮之后打了差評，以后就需要降低榴蓮及相關水果的權重——這個就是負反饋。
比如說你的列表中連續(xù)出現(xiàn)了3種葡萄，那這時候大概率是應該把他們打散一下，盡量一頁別出太多葡萄——這就是打散。
比如當你在瀏覽的過程中點擊了櫻桃，那根據(jù)購物籃原來喜歡買櫻桃的人也喜歡買芒果，那下一頁加載的時候需要動態(tài)的增加芒果的權重——這個是實時反饋。
【3】實驗及回收效果?
個人認為快速的實驗迭代和效果回收是算法高效率的關鍵，也是互聯(lián)網(wǎng)的核心。修路造橋錯了就是錯了，而互聯(lián)網(wǎng)產(chǎn)品這版效果不好下一版還能優(yōu)化。
算法是將這種快速迭代推向了頂峰，同時幾十個實驗在線上AB測試，不需要發(fā)版，好不好馬上就能看出來。
AB測試的過程有點類似如果我有5家水果店，我要驗證新引進的櫻桃設置怎樣的價格能收益最大化，我可以5家店同時設置5種價格，賣一周看看結果。
實驗主要分兩個部分：實驗及效果回收。
實驗就是在其它東西都一樣的情況下，留出一個不一樣的東西，然后觀察最后的結果，這樣比較好確定最后的結果差異就是由這個不一樣的東西帶來的。
效果回收主要是看數(shù)據(jù)和人去看實際推薦的結果，看數(shù)據(jù)需要覆蓋多一些的指標，因為很可能銷量好了毛利降了，或者毛利好了當天剩余率升高了。
人工去看結果主要是一個二次確定的過程，比如在頭條里面各種數(shù)據(jù)都很好，但是推出來的內(nèi)容很低俗；或者這種數(shù)據(jù)好人看完之后憑經(jīng)驗知道這不是長久之計，比如周圍就一家水果店會惡性提價。
如果你發(fā)現(xiàn)自己要去了解基本面很困難，不妨關注我們提供給你的火箭研報小程序，幫助你提高對上市公司的精選和甄別。
∑編輯?|?Gemini
作者 | 新浪財經(jīng)
算法數(shù)學之美微信公眾號歡迎賜稿
稿件涉及數(shù)學、物理、算法、計算機、編程等相關領域，經(jīng)采用我們將奉上稿酬。
投稿郵箱：math_alg@163.com
總結
以上是生活随笔為你收集整理的推荐算法是今日头条的核心竞争力吗？的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 谜一般的流星
- 下一篇： 机器学习 —— 浅谈贝叶斯和MCMC