从杉数到滴滴——未入门算法工程师工作日记（快手篇）

大家好！好久不见了！今天猹哥迎来了自己的23岁生日，也迎来了自己人生的第一个在职场赶项目ddl度过的生日（泪）。祝自己生日快乐的同时，也加班加点的把《从杉数到滴滴》系列又更新了一篇～

熟悉的人可能已经发现了，我的个人职业信息已经从快手变成了字节跳动，title依然是广告算法工程师。是的，我三月份从快手离职，目前在字节跳动的adscore继续做广告相关的实习。在快手的经历是我的第三段算法工程师经历，但是也是我第一次接触“搜索广告推荐”这三大宝藏中的广告业务。这一段经历也很让人难忘，因为遇上了非常好的mentor和leader，也第一次体验了大厂的算法工程师，做了toc的业务（有人可能会提到杉数，杉数做的业务是tob的，业务场景不同），可以有机会了解其他部门在做的事情，也可以看到我们与不同部门的可以合作，讨论的地方。

这一篇是《从杉数到滴滴》系列的第3篇，也是快手篇。这一篇，我们会介绍快手这家公司所做的一些业务，并且介绍我所在的广告算法工程师的岗位，究竟在做什么。当然，还有，如果希望做这一方面的业务，需要学习和掌握什么知识。

快手简介

快手是北京快手科技有限公司旗下的产品。快手的前身，叫“GIF快手”，诞生于2011年3月，最初是一款用来制作、分享GIF图片的手机应用。2012年11月，快手从纯粹的工具应用转型为短视频社区，用于用户记录和分享生产、生活的平台。后来随着智能手机的普及和移动流量成本的下降，快手在2015年以后迎来市场。

2019年11月，快手短视频携手春晚正式签约“品牌强国工程”强国品牌服务项目。快手成为中央广播电视总台2020年《春节联欢晚会》独家互动合作伙伴，开展春晚红包互动。

2021年2月5日，快手正式在港交所上市，IPO融资规模为54亿美元。3月23日，快手发布2020年第四季度及全年财报。快手2020年全年营收587.8亿元，市场预期593.82亿元。

上面这一段我是在百度上抄的。快手上市这一个事情，确实也是让很多老的快手员工真正实现了财务自由，在上市之前的一段时间，快手的群里各种办卡，打新的消息就从来没断过……

很多人其实提到快手，第一反应可能就是“快手和抖音究竟有什么区别”。我也一直以来会听到“北快手，南抖音”的说法。这一点各有各的道理，有的人会说快手总体来说更土一些，更加生活化一些，不像抖音其实诞生了很多脍炙人口的神曲……anyway，一定要相信他们俩其实是各有各的特点的，只是每个人的感觉不同，否则其实是很难说两个完全一样的东西，能够都具备这么大的体量的。那具体字节跳动有什么特点，和快手有什么区别，这个我们到下一篇文章再说。

补充一点：快手在北京有10个左右的园区，我所在的园区是中关村东升科技园（这个园区我居然没有找到快手的大LOGO……）。快手的总部位于西二旗，有Lawson，Subway和免费的Starbucks，总体福利上算是非常不错的。东升虽然硬件设施差了些，但是基本的下午茶，健身房还有免费咖啡还是有保证的。即使我目前位于字节跳动，也并没有感觉到字节跳动的食堂，下午茶或者咖啡等福利上，对快手有明显的优势。

广告业务简介

既然我在快手做的是广告，那自然要介绍一下广告在做什么，或者更加具体来说，互联网广告在做什么。简单来说，可以理解为

合理合法的在广告上捞钱

这是最土的说法，要是真这么粗俗的认为，然后去搞一波抵制啥的，那公司为了道德，还赚不赚钱了？所以优雅一点来说，就是利用广告所带来的商业价值，设计一套方案，来使得看到广告的用户，互联网平台，和发放广告的广告主，三方达到一个平衡。因此严格来说广告算法的大背景是经济学，比方说广告里的出价排名，其实就是基于博弈论中的拍卖原则。

在广告业务中，有非常多的算法可以介入的地方。比方说，一个口红广告，分发给女性，肯定是要比分发给男性的收益要高的。你看，一个特征“男/女”就带来了一个很有趣的区分，而使用特征来建模，是机器学习的传统做法。再比方说，一个广告如果要产生收益，除了观看（业界叫”曝光“），像点击，购买（业界叫”转化“）都是非常重要的广告产生收益的特征，那么从曝光，到点击，再到转化，这一个过程会有多少的变化，都是需要建模的。这就产生了CTR预估，CVR预估等人工智能常见的主题～只要建模，就有了数据，就可以去定量的计算各种广告的收益，这就自然会使得各方的收益更容易被追溯，也更容易控制。

这一部分，如果有感兴趣的朋友，可以阅读刘鹏，王超的《计算广告》。

我做了什么？

我这儿做的事情是利用深度学习模型，希望提高直播平台的涨粉率。这个事情的目的也很明显，如果一个直播带货（也就是带广告）的博主能够吸引到更高的涨粉率，自然会有动机认为他以后会更容易赚钱，平台也会有更大的收益。可以看出，这个问题本身其实不是严格的，业界中所定义的CTR，CVR或者什么。事实上，这也是业界算法的常态，即算法工程师只关注抽象的方法如何使用，而不会拘泥于一个具体的业务背景。比方说CTR还是CVR，其实都是从一个变量，到另一个变量的建模关系。只是它们俩所涉及到的模型和业务的场景，在一些特点上有明显的区别。因此做涨粉率，其实也是一样的。寻找一些公司内部的特征，定义好公司所打好的各种标签，然后从3层的DNN开始，尝试各种模型和特征。在线下实验的收益显著的时候，就会将模型代入线上，再进行观察。因此其实我一直认为，广告层面的模型和推荐其实还是有很多地方是互通的。

当然除此之外，其实在深度学习这一个领域，还可以做的事情非常多。比方说自己思考可能的影响模型训练的特征，然后去与数仓合作，开发一些数据流。也有人会与一些前沿的部门合作（比方说做自动机器学习（Automl）的，做强化学习的人），在一些小的，流量不大的项目中做一些探索性的实验等等。当然我作为实习生，在快手相对属于散养的状态，这一些业务都没有让我去多接触，当然这也和我加入这个团队之前，毫无深度学习基础，而花了大量时间去补深度学习的课程有关（大雾）……

这里要提的一个细节是，业界在深度学习这一块，更多还是会使用tensorflow，至少快手和字节是这样的。然后快手和字节作为两家做短视频的大厂，在模型训练的平台化上都做了非常多的工作，使得算法工程师可以有时间去真正的关注算法，而不需要关注底层的开发逻辑，或者一些涉及硬件的优化等等。因此做模型侧的算法工程师，至少与模型强相关的基础开发的部件，都不需要算法工程师亲自来做，倒也是一件幸运的事情。

关于工业界的深度学习，我推荐一下Stasi学长的《推荐道》，有很多篇文章都点出了当前工业深度学习的各种常见的tricks，我一开始从他的知乎文章开始读起，读完也是大呼过瘾。

四化大业：论算法工程师的自我修养

推荐算法的"五环之歌"

我的日程表

我当时在快手的时候相对是散养的状态（这一点和目前在字节赶各种ddl的状态截然相反，具体放到下一节说）。所以我做的事情总体来说比较固定，就是找各种可能的深度学习模型（最基础的3层DNN，到FM，到deepFM，到DIN，DIEN，到Transformer，等等），然后去跑实验。一般来说我的时间可以划为

10:30-12:00到岗，看上一天的任务，修改参数，跑几个模型

12:00-14:00吃午饭，休息，有实验的时候可能会上一些AB实验

14:00-16:00思考一些可能的优化方向，debug一些之前的代码

16:00-16:30休息

16:30-19:00抽个空看看经典的paper

19:00-20:00吃晚饭，休息

20:00-21:30再看看各种技术公众号/摸鱼，这个时候状态已经很差了，所以基本上干不了啥……

另外这个部门每一周都会有大组（200+人）的组会和模型侧自己的一个小组会，小组会上会有专门的paper阅读和交流环节。如果有空认真听完的话还是会有很多有趣的收获。

当然可能也是考虑到实习生的缘故，mentor没有给我安排第二个任务，就只是让我在一个业务背景下去尝试不同的模型，所以相对来说业务不是特别繁忙，也比较好handle，自己学习的时间还是比较多的。当然了，时间其实总体来说还是挺短的，加上其实总是没有对各种后端可能出现的问题，或者说对于业界实际的工业深度学习架构不了解导致的踩坑，这都会导致业务进展的delay，当然也就使得我自己虽然体验了业务，但是总感觉，项目经历还是不够厚实。

当然也可以看出，其实快手的上班时间还是比较长的，不过受制于深度学习算法这个行业的特殊性，有很多时间是可以交给机器的，产品经理一般也找不到我们。这一点和数据分析，开发都有些不同。我认识的在快手做数据分析的一些实习生，其实每一天的需求都处理不完，最后要不就甩手不管，要不就怪数仓资源不够，也是苦了他们了……

我想来玩，我需要掌握什么技术？

首先先放一下大家感兴趣的，我当时面试的时候遇到的面试题

聊简历

机器学习基础：gbdt，xgb，常见评判指标等。

是否了解sigmoid函数，求它的导数和简便表达。

cross-entropy是什么？用在什么场景？

了解CNN吗？感觉它和一般的ANN相比设计思路差别在哪里？

矩阵分解的基本思路？

代码题：拓扑排序。

代码题：二叉搜索树中找第K大。

代码题：找一棵树中，两个节点的公共祖先。

代码题：反转链表。

想看其他面试题的话，可以看这一篇文章

从杉数到滴滴——未入门算法工程师再找实习工作记

除了常见的，要掌握机器学习，深度学习，leetcode什么的，其实还有几点需要补充。一是真正进入校招/社招面试之后，对于深度学习的知识点的要求会比这个面试题还要难一些。这也是我最近才有的感悟，也是理科相比较工科的一个劣势，就是实际的行业的坑远比自己想的多，实际的行业的tricks和做法也几乎很难在非相关的学校专业中看到，因此个人感觉，项目还是要多做，手还是要勤。相关的资料网上其实也有很多了，知乎和b站的教学视频什么的，我自己目前所在的datawhale就是一个挺好的地方，会经常组织一些项目活动。

还有一点，就是学界和业界的gap还是远比大家想的要大，以比较经典的阿里的DIN，DIEN为例，实际上在我所在的部门（快手商业化），因为数据流和特征不支持，一直到21年初才有办法上这样的模型，而这两个模型在学界，其实都算是已经被“玩烂的”模型了hhh。当然，我在字节的工作，也给了我这么一个“学界和业界想法差别很大”的感觉，这个具体的放到字节篇再聊～

总结

虽然我们总是说抖音，快手总是会给人推一些什么低俗的东西，但是真到了公司看一看数据，你会发现这一部分是真的可以促进社会的消费力的……当然了，其实不管是快手还是字节，都对广告的质量，用户的体验是非常关注的，这两块本身在两家公司都有专门的人会去做。所以也不能太武断的去看这两个产品和公司，而更重要的，其实是观察，究竟他们做的内容和事情，是否在大的社会层面上，有没有实质性的帮助。对于这个问题，我不持立场，留给大家论述～

好的，以上就是《从杉数到滴滴》系列的快手篇了，希望这一篇文章能够让大家了解快手，了解商业化，了解广告业务，也了解深度学习在工业界的应用～下一篇不出意外，应该就是字节篇了。希望能用字节篇，来为我这一年的“北漂”，画一个完美的句号，也为我的22岁这一年最终给一个交代。