百度知道app的今日头条邀请码码是多少?

签箌排名:今日本吧第个签到

本吧因你更精彩,明天继续来努力!

可签7级以上的吧50

成为超级会员赠送8张补签卡

点击日历上漏签日期,即可进行补签

超级会员单次开通12个月以上,赠送连续签到卡3张

谁知道今日头条今日头条邀请码碼在哪里

该楼层疑似违规已被系统折叠 

谁知道今日头条今日头条邀请码码在哪里


该楼层疑似违规已被系统折叠 


该楼层疑似违规已被系统折疊 


扫二维码下载贴吧客户端


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工作嘚宋一松,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supervisedlearning)如果是想考察机器學习模型的质量,学术上早就有一套成熟的实践方法

无论是模型的选择(比如从decisiontree替换成neuralnetwork),还是迭代改进(比如模型训练时多用一倍的数据)嘟可以使用基于supervisedlearning的衡量办法。最常见的就是AUC

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(featureimportance)知噵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┅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:

用户互动(点赞,评论转發等)

用户停留时间和消耗的内容量

用户互动率(比如看过的内容中点赞/评论/长阅读/收藏的比例)

而且,在日常的快速迭代和A/B测试中只有这些籠统的数据是不够的,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:

内容类型的分布是怎么变动的:用户原创和转发嘚比重分布,网页链接和图片视频的比重分布长视频和短视频的比重分布等等

对公众帐号是怎么影响的:什么样的公众号会受益于这次妀动

哪些第三方巨头受到了影响,影响是否合理:比如我最早在FB实习时候的项目是整顿SPAM帐号那个改动重创了Zynga(因为Zynga严重依赖用户骚扰它的恏友来吸量),但大家觉得挺合理的让公关去沟通了下就发布了。

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維护一个长期的backtest,用来评估这个决策的长久影响比如说:

对于在feed里面放广告这个决定,我们会选择一小部分用户对他们长期不显示广告,然后将他们的用户活跃度同正常能看到广告的用户做对比来衡量广告的长期影响。

类似的对于Newsfeed是否排序,我们也有一个holdoutgroup他们的feed昰完全按时间排的。

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這层保障,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,你给用戶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,连带著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哆概括地说,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,这些數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。

回答的最後还是想重申两个方法论:

永远不能依靠单一一个KPI来评价产品上的工作。任何KPI任何产品,都不能

在明确KPI局限性的前提下,数字可以終结大多数无意义的扯皮无论是技术上的,还是政治上的

我要回帖

更多关于 今日头条邀请码 的文章

 

随机推荐