推荐系统和搜索系统和信息流2

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，