本文探讨了推荐系统、搜索系统和信息流在实际应用中的挑战和实践。从京东电商推荐系统的难度到飞猪旅行的推荐算法应用，涵盖了信息架构、搜索算法、推荐算法和信息流构建等多个方面。内容包括信息组织、搜索处理、协同过滤、用户和商品相似度、信息流排序和个性化策略。同时，提到了推荐系统中的10条经验和教训，以及推荐引擎的架构和关键流程。文章还讨论了Elasticsearch的实战应用，强调了非精确匹配和倒排索引的重要性。最后，文章提及了推荐系统相关的开源项目和工具，如Facebook的fastText和阿里云的智能推荐服务。
产品逻辑之美
信息架构：信息组织模式，让信息更好在产品和用户之间流动。
先问：
给谁看
内容是什么
什么情况下看。
然后才是信息怎么组织和解决方案、然后才是可视化的方案。
分类系统的难度（严格），标签对于信息组织的意义（松散）
埋点、指标、数据、认知
信息的图书馆：导航、标签、Tab、分类
搜索系统：
1、处理输入，词频CF-TEXT，权重
2、海选和内容聚合
3、筛选
4、排序
推荐系统
1、协同过滤，产品和用户，相似度
2、近邻算法：矩阵分解、模型融合、深度学习
3、基于特征，标签
信息流系统
1、信息流Feed，混排【海选、粗排、精排】
2、排序：时间、评价、行为、加权
3、个性：用户冷启动、及时反馈、内容冷启动
4、开放性、信息茧房、惊喜。
新时间的产品：
不确定性，概率、
有目标，不断趋近
有立场的、信息不完全的决策。（有限数据）、附加感性。
人工智能=终极算法，生物进化（基因+书本等文明）
数据+算法模型==计算结算（决策）+反馈数据=优化算法和模型
知识和经验+决策系统（推理、预感，第六感）==决策+反馈=逻辑思维和改进决策（二次决策）
算法和决策：非常有限的数据中， 能够做出非常高质量的决策，而当下人工智能比较差劲。
智商的不同，就是算法模型的不同。训练模型，儿童学习。
短识和经验：看书、收集信息、做实验就是迭代一次，确实事实的可靠性。打问号。经验就是迭代了多少次，反思和改进（录像观察也很重要）
最佳决策：事实可靠、逻辑合理、假设合理。
产品经理：实践性很强的职业，学习只是补充，做出好产品，机遇，时代产物。俞军和张小龙。
==============================
推荐系统实践，项亮
项亮与字节跳动
推荐系统，连接用户与商品，解决信息过载的问题。
好友、历史、注册信息。
利于用户行为数据
用户相似度，商品相似度。近邻算法，协同算法。
基于内容的协同过滤，基于用户的协同过滤
用户：ABD， B的用户都喜欢C，则推荐C给用户。
用户冷启动、物品冷启动、系统冷启动。
利于用户标签数据，算法：图、列、机器算法
利于上下文信息，时间效应
利用社效数据：邮件、用户注册信息、微博
10条推荐系统的经验和教训
1、确定你真的需要推荐系统吗？信息多，人多，且不同类型的信息和人
2、商业与用户关系
3、专业开发
4、冷启动
5、数据和算法平衡
6、找到相关物品
7、多利于社会网络
8、算法扩展性
9、反馈
10、评测和关注性能。
推荐引擎的架构：
用户行为日志-》推荐系统-》UI=》用户=》记录到用户行业日志
标签提取：非结构化的数据转化为结构化，行业提取，特征转换-》特征向量——》物品相关-》海选-》过滤-》排名-》推荐解释-》最终推荐结算
多个推荐引擎=>聚合
======================
推荐系统，陈开江
相似度算法：余弦相似度，欧氏距离，矩阵分解、深度学习。
案例：啤酒和尿布
用户画像：标签挖掘，是数据特征之一，据挖掘的结果就是标签【分析、系统，用户定义】，从分类到标签。
排行榜：热榜，兜底
信息流架构：下架和已读
三者的架构的区别和联系。
日志收集、实时推荐
开源工具：内容分析（FastText，TensorFlow-Word2Vec，LightLDA）
协同过滤和矩阵分解，利用好用户物品关系矩阵，模型融合，Web框架
团队组建：算法工程师，
最低0.47元/天 解锁文章
扫一扫
980
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
