破解YouTube、Facebook推荐系统背后的那些算法
最初看到这篇文章是@fengyoung 在Facebook上分享的,觉得题目很有意思就看了一遍,看完后感觉很有启发,遂决定翻译一下让更多人看到。
这篇文章内所指的算法包含多个YouTube增长类算法(为你推荐(Recommended),建议观看(Suggest),相关视频(Related),搜索(Search),原始评分(MetaScore),等等)。这些不同的算法产品,各有侧重,但有一个共同点,那就是它们的优化目标相同,都是观看时长(Watch Time)。
这篇文章给我的启发有三方面:
1. 从YouTube平台的算法设计人员角度,设计繁多的推荐算法,是为了提高频道的观看时长,而提高频道的观看时长又是为了让用户能够经常访问平台。这是一种双赢的思维,说白了:谁能帮平台留住用户,平台就重点扶持他。
2. 文章得出结论,要做垂直内容才能在YouTube上活下去。平台上内容越多样,平台越健康,这是毋庸置疑的,尽管我赞同这个结论,但是我没有在本文中看到作者是如何得到这个结论的。这一点就是YouTube和国内视频平台最大的差别,国内的视频平台严重趋同,花高价购买独家版权似乎是国内视频平台的唯一出路,也是一个妖魔化的出路。反观YouTube,他们利用算法驱使了各个频道专耕某一个垂直内容,然后把最适合的用户给你匹配上,这才是更宏大的一盘内容棋。
3. 本文作者给我们了一个启示,算法并不是黑盒子,是可以hack的,尽管这个也只能hack到冰山一角,但是也比我们盲目地运营要明亮很多了。作者的研究方式,首先是明确了一个平台的算法目标是什么,YouTube是watch time,那么就去观察这个目标和哪些指标有关,进一步看到每个指标又能怎么提高。
感兴趣的朋友可以搜索着看,我这里就不过多重复了。
关于Facebook的算法,我在《推荐系统36式》专栏里都有提到,你也可以看下图,总结了推荐系统背后的那些算法,都是需要你花时间去学习和实践的。
为什么会有《推荐系统36式》这个专栏?
最近十年尤其最近五年,借助推荐系统的技术和名头,异军突起的互联网产品越来越多,Youtube、淘宝、京东、Netflix、今日头条、Amazon等等这些产品都已经从个性化推荐中尝到了商业的甜头。甚至有人说在未来,推荐系统会成为所有数据型产品的标配。
然而推荐系统前方技术蓬勃发展,后方却落地困难。
审视推荐系统的技术应用现状,大厂们一骑绝尘,但太多中小厂的工程师们还不知道一个推荐系统如何从 0 到 1 诞生,需要去了解哪些知识。比如有人问我这些问题:
1. 我们产品这个阶段需要上线推荐系统吗?推荐系统前期投入大吗?
2. 推荐系统这事容易整吗?里面那些算法到底是怎么回事?
3. 搭建一个推荐系统,这里面有哪些坑?
4. 推荐架构、搜索引擎和广告系统之间应该如何协同?
5. 推荐系统相关的开源软件都有哪些?如何选型?
所以我就顺势写了一个推荐系统相关的专栏,希望能帮助推荐系统学习者架构起整体的知识脉络,并在此基础上补充实践案例与经验,力图解决你系统起步阶段 80% 的问题。
下面是这个专栏完结目录的部分,目前只在极客时间上发布,你需要付费阅读(在本文最后有相关的二维码)。
这个专栏已经完结,作为完结礼物,我特别花了很长的时间给大家整理了一些业界公开的相关读物,一共有52篇,供想深入阅读的人继续学习。有论文形式,网络文章,演示文稿,还有一些经典书籍,我都都整理在专栏尾篇,记得要看。
我的专栏现在正在做拼图活动,原价68元,拼团价58元,限时拼团3天!
凡购买用户,还可得到我整理的【52篇推荐系统相关文章】+【推荐系统知识框架图】。
刑无刀是谁?
我是刑无刀,本名陈开江,现在是链家网资深算法专家,从事算法类产品的研发。在这之前我曾任新浪微博资深算法工程师,考拉FM算法主管。从业8年时间,我的工作和研究范围始终没有超出推荐系统。
这些年,我曾服务过创业公司、传统大公司和大型互联网公司,这些经历也让我见证了大大小小、形状各异的推荐系统的构建过程。又因为我基本都从0到1参与了这些公司的推荐系统,所以我也清楚这中间都有哪些坑。
扫码立即订阅
破解YouTube、Facebook推荐系统背后的那些算法相关推荐
- TokenInsight 对话首席——Facebook Libra背后共识算法第一作者首次中文平台深度访谈...
邀行业首席,谈市场现状,见趋势未来!第14期<对话首席>线上直播,于7月19日(周五)上午11点举办. 本次<对话首席>特邀Facebook Libra背后共识算法第一作者.康 ...
- [机器学习] 推荐系统之协同过滤算法(转)
[机器学习]推荐系统之协同过滤算法 在现今的推荐技术和算法中,最被大家广泛认可和采用的就是基于协同过滤的推荐方法.本文将带你深入了解协同过滤的秘密.下面直接进入正题. 1. 什么是推荐算法 推荐算法最 ...
- 微软开源Bing搜索背后的关键算法
微软今天宣布开源了一项 Bing 搜索背后的关键算法 -- SPTAG,它使 Bing 能够快速将搜索结果返回给用户. 仅在几年前,网络搜索很简单,用户输入几个关键词然后浏览结果页面.现如今,这些用户 ...
- 推荐系统常用的推荐算法
转载自 推荐系统常用的推荐算法 一.推荐系统概述和常用评价指标 1.1 推荐系统的特点 在知乎搜了一下推荐系统,果真结果比较少,显得小众一些,然后大家对推荐系统普遍的观点是: (1)重要性UI> ...
- 【干货】推荐系统中的机器学习算法与评估实战
[导读]推荐系统是机器学习技术在企业中最成功和最广泛的应用之一.本文作者结合MLMU演讲[1]的Slides,对推荐系统的算法.评估和冷启动解决方案做了详细的介绍. 作者 | Pavel Kordík ...
- 吴恩达|机器学习作业8.1.推荐系统(协同过滤算法)
8.1.推荐系统(协同过滤算法) 1)题目: 在本次练习中,你将实现协同过滤算法并将它运用在电影评分的数据集上,最后根据新用户的评分来给新用户推荐10部电影.这个电影评分数据集由1到5的等级组成.数据 ...
- 电商大数据项目-推荐系统实战之推荐算法(三)
电商大数据项目-推荐系统实战(一)环境搭建以及日志,人口,商品分析 https://blog.51cto.com/6989066/2325073 电商大数据项目-推荐系统实战之推荐算法 https:/ ...
- 在线新闻推荐网 Python+Django+Mysql开发技术 基于用户、物品的协同过滤推荐算法 个性化新闻推荐系统 协同过滤推荐算法在新闻网站中的运用 个性化推荐算法、机器学习、分布式大数据、人工智
在线新闻推荐网 Python+Django+Mysql开发技术 基于用户.物品的协同过滤推荐算法 个性化新闻推荐系统 协同过滤推荐算法在新闻网站中的运用 个性化推荐算法.机器学习.分布式大数据.人工智 ...
- 在线图书推荐网 Python+Django+Mysql开发技术 个性化图书推荐系统 协同过滤推荐算法在图书网站中的运用 基于用户、物品的协同过滤推荐算法 个性化推荐算法、机器学习、分布式大数据、人工智
在线图书推荐网 Python+Django+Mysql开发技术 个性化图书推荐系统 协同过滤推荐算法在图书网站中的运用 基于用户.物品的协同过滤推荐算法 个性化推荐算法.机器学习.分布式大数据.人工智 ...
最新文章
- zookeeper-一个关于paxos的故事
- 【控制】《多智能体系统的协同群集运动控制》陈杰老师-第1章-绪论
- 看完这份MySQL 性能调优文档,我把面试问我数据库调优的面试官虐哭了
- java HashMap实现原理
- 《七哥说道》第五章:入职惨做苦力,画饼一望无际
- MacOS入门技巧分享
- 毕设题目:Matlab数字信号去噪
- 线性表(单链表)—图书管理系统 c语言版
- quartz定时任务配置
- 【数据结构实验一】线性表
- winpe安装服务器系统教程,【实测】U盘启动WinPE安装服务器Windows_Server_2008r2.doc
- IDEA toString方法输出JSON格式
- eclipse 虚拟机启动失败解决方案
- python练习实例(七)
- cv2.VideoWriter生成视频无法播放的原因(持续补充)
- dbus-glib编程2:d-feet的使用
- c++ unrar 源码
- Android自定义相机实现定时拍照
- Re:PyQt5 从零开始的MVC开发模式规划
- 高德地图SDK未设置隐私合规而导致地图不显示的问题
热门文章
- ef生成mysql字段注释_EFcore+MySql 数据迁移的时候,怎么给表结构加注释?
- Ios 12 linux,苹果发布iOS 12.4.1,以修补越狱漏洞
- CoreAnimation编程指南(十)KVC
- web处理高并发措施
- tesseract4.0.0 中文语言包_一份TensorFlow2.0中文教程
- group by 去重_【小学英语口语】07I have to pee. 我要去尿尿
- IOC操作Bean管理注解方式(创建对象)
- IOC操作Bean管理XML方式(FactoryBean)
- JAVAWEB入门之Servlet相关配置
- mysql引擎inndbmmyisam_Mysql中MyISAM引擎和InnoDB引擎的比较