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,