现在有很多像今日头条、轻阅读这样给你个性化推荐信息的app。为什么它们的设计风格不一样，尽管都是高度个性化的推荐？今天分享的文章是宋写的，他曾经在工作。他从三个层面给你做了简要详细的介绍，以及app如何为你推荐人性化的新闻资讯。
不知道今日头条是怎么运作的。然而，由于在脸书工作时对新新闻的智能推荐和排名，我可以告诉你脸书是如何考虑其强推荐和排名的质量的。
在实践中，有三种关键方法，每种方法都是利用机器学习实体模型、产品数据和用户研究来评估强推荐模块的实际效果。
1.机器学习实体模型强力推荐模块的关键之一是机器学习(但现在说人工智能技术，其实是监督学习)。如果要考察机器学习实体模型的质量，学术研究中已经有一套完善的实践活动。
无论是物理模型的选择(例如，从决策树改为神经网络)，还是迭代更新和改进(例如，在训练物理模型时使用两倍的数据)，都可以应用基于监督学习的考虑方法。最常见的是AUC。
另一方面，对于某一类特殊问题，还有更微妙的指标值。例如，根据实体模型特征的特征重要性，可以知道添加的特征是否有效。
2.产品数据机器学习实体模型再强大，也要经过产品数据的具体检测。这些方面大家都比较了解，KPI。但在脸书这样的地区，尤其是Newsfeed，整个身体都启动了，人们会跟踪一系列数据来描述产品，而不是依赖单一的规格。
这些数据包括但不限于:
日/月活跃性用户（DAU，MAU）用户互动交流（关注，评价，分享等）用户发帖量用户等待时间和耗费的內容量收益用户互动交流率（例如看了的內容中关注/评价/长阅读文章/个人收藏的占比）用户检举和屏蔽掉的总数而且在日常的快速迭代和A/B检测中，只有这个模糊的数据是不够的，你必须要有一些更细腻的数据，才能真正理解你的一些修改。例如:
內容种类的遍布是怎么变化的：用户原創和分享的比例遍布，网站链接和视频图片的比例遍布，长视频和小视频的比例遍布这些对群众账号是怎么危害的：哪些的微信公众号会获益于此次修改什么第三方大佬遭受了危害，危害是不是有效：例如我最开始在FB见习情况下的新项目是整治SPAM账号。哪个修改重挫了Zynga（由于Zynga比较严重依靠用户搔扰它的朋友来吸量），但大伙儿感觉挺有效的，让媒体公关去沟通交流了下就公布了。此外，为了更好地避免短期的视觉效用，每个人都会对每一个关键的产品管理决策保持一个长期的回测，以评估这个管理决策的长期危害。例如:
针对在feed里边放广告宣传这一决策，大家会挑选一小部分用户，对她们长期性无法显示广告宣传，随后将她们的用户人气值同一切正常能见到广告宣传的用户做比照，来考量广告宣传的长期性危害。相近的，针对Newsfeed是不是排序，大家也有一个holdoutgroup，她们的feed是彻底按時间排的。那样的话，每一个很可能会有异议的管理决策，在未来的每一个时间点上，都会被大家清楚地理解，我们都面临着什么样的选择。有了这层保障，在现在的管理决策中，大家才会敢于探索，走得更快。
3.用户调研大部分产品数据都有局限性，因为是显性基因，是被动的。比如你给一个用户的消息推一个吸引眼球的低俗内容，用户可能现在就在看，所以数据不错。
但是很有可能用户内心对这个内容的评价很低，也会看不起作为内容服务平台的产品，长此以往会对产品造成很大的伤害。
KPI不能完全描述产品质量。美国硅谷的互联网科技圈有一个共识，但是怎么解决，每个企业回答都不一样。
Twitter部门的首席执行官，无论是杰克·多西还是伊万·威廉姆斯，都倾向于忽略KPI，依靠他们的主观想法来管理决策。
另一方面，谷歌和脸书走了另一条路，他们决定将用户评论纳入KPI。
谷歌在这些领域起步较早，所以发表的资料较多。一般来说，他们雇佣很多普通人，从用户的角度对谷歌搜索排名的质量和广告强烈推荐的质量进行主观评级。
当分数达到一定程度，这个数据就足以成为一个稳定合理的KPI，可以持续跟踪改进。虽然脸书的产品行业不同，但在智能推荐方面也采用了类似的方式。
最后，我还是要严格执行两个科学方法论:
始终不可以借助单一一个KPI来点评产品上的工作中。一切KPI，一切产品，都不可以。在确立KPI局限的前提条件下，数据能够结束大部分无意义的踢皮球，不论是技术性上的，還是政治上的。有关阅读文章：「个性化强推荐」会给你一个无法摆脱自己的圈子吗？
作者:宋
资料来源:http://www.ifanr.com/app/826575
在本文中，每个人都是产品主管。协同新闻媒体@爱范儿，创作人@宋宋轶
注:阅读相关网站基本建设方法的文章，请移至网站建设教程频道栏目。
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）