喜欢阅读的童鞋们,如今早已不再是时时刻刻捧着书本;既有深度又有颜值的阅读类APP,绝对是大家的心头好!get多种多样的知识点,让阅读成为乐趣,以下总有一款是你的菜!
这是单向空间十年以来沉淀而成的一座随身图书馆,单读精选和制作的文字、音频、影像,把所有滋养过我们的思想重新传递出去。在碎片化的时代,我们依然热爱沉静的阅读,透过严肃的内容,聆听这个世界上最清醒的声音。我们无法界定这个时代是好是坏,因为我们仍身处其中。单读反对碎片化的阅读方式,用深度的内容去对抗浮躁的世界,我们深信,几百次的点击和浏览,抵不过一次在阅读中长时间的沉浸。
《好奇心日报》的新闻报道涉及科技、娱乐、时尚、设计、游戏等领域,探寻新闻资讯背后的商业逻辑。这款APP选定15 家影响人们生活方式的公司作为新闻报道的重点关注对象,通过围绕这些公司的新闻报道为人们提供有借鉴意义的商业洞察,探寻科技与商业的发展对每个人生活带来的影响,探寻新闻事件背后的影响。另外,好奇心研究所和好奇心实验室,都会告诉大家如何看待现在的这个世界。
A 君导读:现在有很多像今日头条、轻芒阅读这样为你个性推荐资讯的 app,为什么同样是个性推荐,它们却有着不同的风格?
AppSo(微信公众号 AppSo)今天分享的这篇文章,作者是曾在 Facebook 工作的宋一松,他从 3 个方面为你简单介绍,app 是如何为你推荐个性化资讯的。
不了解今日头条是怎么运作的。不过因为在 Facebook 工作时负责新鲜事(Newsfeed)的个性化推荐与排序,我可以说说 Facebook 是怎么衡量自己推荐和排序的质量的。
在具体执行层面,主要有 3 个方式,分别是从机器学习模型、产品数据,和用户调查上来考核推荐引擎的效果。
推荐引擎的一大核心就是机器学习(不过现在都说人工智能了,但本质上还是 supervised learning)。如果是想考察机器学习模型的质量,学术上早就有一套成熟的实践方法。
另一方面,对于某一类特定问题也有更细致的指标。比如说,可以通过模型特征的重要性(feature importance)知道新加的特征是不是有用。
再牛逼的机器学习模型都要经历产品数据的实际检验。这方面大家就都比较熟悉了,KPI 嘛。不过在 Facebook 特别是 Newsfeed 这种牵一发动全身的地方,我们会追踪一系列数据来描述产品,而不是依赖某一个单一标准。
这些数据包括但不限于:
而且,在日常的快速迭代和 A/B 测试中,只有这些笼统的数据是不够的,我们还需要些更细致的数据来真正理解我们的一些改动。比如说:
另外,为了防止短暂的眼球效应,对每一个重要的产品决策,我们都会维护一个长期的 backtest,用来评估这个决策的长久影响。比如说:
这样,对每一个可能会有争议的决策,但未来的每个时间点,我们都能清楚地知道,我们是面临着怎样的取舍。有了这层保障,在决策的当下,我们也就敢于冒险些,走得更快些。
大多数产品数据有其局限性,因为它们是显性而被动的。比如说,你给用户推送了一个博眼球的低俗内容,用户在当下可能是会去点开看的,所以数据上是好的。
但用户可能心里对这个内容的评价是低的,连带着对作为内容平台的产品也会看轻,长此以往对产品的伤害是巨大的。
KPI 无法完全描述产品质量,在硅谷互联网圈是有共识的,但如何解决,每个公司答案都不同。
Google 和 Facebook,则采取了另一条路,他们决定把用户评价纳入到 KPI 中。
Google 在这方面的工作开始得比较早,因此公开的资料也比较多。概括地说,他们雇佣大量的普通人,以用户的角度来对 Google 搜索排序的质量和广告推荐的质量做主观打分。
当打分的量大到一定程度,这些数据就足以成为一个稳定有效的,且可持续追踪并改进的 KPI 了。Facebook 虽然产品领域有所不同,但在个性化推荐上也采取了类似的方法。
回答的最后,还是想重申两个方法论:
有好的文章希望站长之家帮助分享推广,猛戳这里