制服控

当前位置:主页 > COSPLAY > / 正文

当 App 沉迷做个性化定制:我在 300 次推送中完成了 20 场角色扮演

2019-09-02 17:17:46152 ℃

当 App 沉迷做个性化定制:我在 300 次推送中完成了 20 场角色扮演

当 App 沉迷做个性化定制:我在 300 次推送中完成了 20 场角色扮演

公司

2018-09-07 12:18

-

评论

分享到微信

使用微信扫码将网页分享到微信

在算法推荐大行其道的今天,比自己更了解你的,既不是你的朋友,也不是你的敌人,可能是你的 app。

时不时地,我们总能被各种 app 对自己精准的寻找,吓到。

淘宝、京东的商品推荐,总让你怀疑自己莫不是被监听监看,连知乎这样的「清白之地」,似乎也在暗暗用力,不断描摹刻画你的用户画像。

被男朋友猜中心思是粉色的,被自己的 app 猜中总是有点情感复杂。被算法理解,虽然它能恰如其分地为你送上一首歌、一篇文,但这样的理解到底是存了一点孤单。

我们总是希望尽力过好丰富人生,把自己看成一个多面的棱镜,百变而神秘。但是,这种程序化的算法,似乎简简单单就将你刻画复制了出来。

从这个问题反推思考,我们是不是能借助不同的 app 完成一次自我探索的认识之旅?

算法何以了解你

既然想借助这些个看不见摸不着却强大的幕后力量,上演一出「将计就计」的好戏,那就先跳上「神坛」看看吧。

推荐算法的产生,和人类信息环境的变化直接相关。从信息匮乏时代走向信息过载时代,每个人陡然发现在信息获取上自己面临着新的困境:庞大信息带来的低效。而推荐算法恰是为了解决这一问题。

凭借个性化的推荐和对冗余信息的有效降低,推荐算法在国内外得到了广泛使用。从亚马逊、YouTube、谷歌到今日头条、网易云音乐、淘宝京东,算法成为一个近乎魔法的概念。

当 App 沉迷做个性化定制:我在 300 次推送中完成了 20 场角色扮演

▲ 亚马逊推荐算法的调整曾给卖家带来不小的震荡

目前,内容推荐、协同过滤是十分主流的推荐算法。

基于内容的推荐算法(content-based)特别适用对文本内容的解析。将一则文本视为一条 item,通过不断地抽取、细化,为文本打上无数的标签,形成 taglist。当用户在做个性化推荐时,可以将用户最近操作过的 item 列出,用这些 taglist 模拟成一个用户模型,再用倒搜索引擎为用户推荐候选结果。在国内,采取 CB 算法的最典型代表就是今日头条。

当 App 沉迷做个性化定制:我在 300 次推送中完成了 20 场角色扮演

▲ 基于内容的推荐算法可谓最为「古老」

在头条之后,新闻资讯 APP 都采取了推荐算法。文本信息的处理特性,使得基于内容的推荐算法成为主流。

协同过滤(collaborative filtering)则是从集体智慧出发实现的一种推荐。比如通过对用户喜欢的项目分析,发现用户 A 和用户 B 两人十分相似,两人都喜欢相同的内容,那么就可以把用户 A 喜欢而用户 B 还未喜欢的项目 C,尝试着推荐给 B。

另一种协同过滤则是基于 item 本身(item-based,CF)。这种推荐不需要找到和用户 A 相似的 B,而是完全基于用户 A 的单独行为。itemA 和 itemB 十分相似,而用户 A 很喜欢 itemA,那么就可以把 B 尝试推荐给用户。网易云音乐的后端算法主要是基于这两种协同过滤算法。

当 App 沉迷做个性化定制:我在 300 次推送中完成了 20 场角色扮演

▲ 余弦相似性是常用的计算方法

此外,基于人工神经网络的深度学习也是十分频繁常见的推荐算法。

当 App 沉迷做个性化定制:我在 300 次推送中完成了 20 场角色扮演

▲ 图像识别是深度学习的典型应用

热门图片
最近更新

Powered By 制服控 网站地图