破解YouTube、Facebook推薦系統背後的那些演算法
最初看到這篇文章是@fengyoung 在Facebook上分享的,覺得題目很有意思就看了一遍,看完後感覺很有啟發,遂決定翻譯一下讓更多人看到。
這篇文章內所指的演算法包含多個YouTube增長類演算法(為你推薦(Recommended),建議觀看(Suggest),相關視訊(Related),搜尋(Search),原始評分(MetaScore),等等)。這些不同的演算法產品,各有側重,但有一個共同點,那就是它們的優化目標相同,都是觀看時長(Watch Time)。
這篇文章給我的啟發有三方面:
1. 從YouTube平臺的演算法設計人員角度,設計繁多的推薦演算法,是為了提高頻道的觀看時長,而提高頻道的觀看時長又是為了讓使用者能夠經常訪問平臺。這是一種雙贏的思維,說白了:誰能幫平臺留住使用者,平臺就重點扶持他。
2. 文章得出結論,要做垂直內容才能在YouTube上活下去。平臺上內容越多樣,平臺越健康,這是毋庸置疑的,儘管我贊同這個結論,但是我沒有在本文中看到作者是如何得到這個結論的。這一點就是YouTube和國內視訊平臺最大的差別,國內的視訊平臺嚴重趨同,花高價購買獨家版權似乎是國內視訊平臺的唯一出路,也是一個妖魔化的出路。反觀YouTube,他們利用演算法驅使了各個頻道專耕某一個垂直內容,然後把最適合的使用者給你匹配上,這才是更巨集大的一盤內容棋。
3. 本文作者給我們了一個啟示,演算法並不是黑盒子,是可以hack的,儘管這個也只能hack到冰山一角,但是也比我們盲目地運營要明亮很多了。作者的研究方式,首先是明確了一個平臺的演算法目標是什麼,YouTube是watch time,那麼就去觀察這個目標和哪些指標有關,進一步看到每個指標又能怎麼提高。
感興趣的朋友可以搜尋著看,我這裡就不過多重複了。
關於Facebook的演算法,我在 專欄裡都有提到,你也可以看下圖,總結了推薦系統背後的那些演算法,都是需要你花時間去學習和實踐的。
為什麼會有《推薦系統36式》這個專欄?
最近十年尤其最近五年,藉助推薦系統的技術和名頭,異軍突起的網際網路產品越來越多,Youtube、淘寶、京東、Netflix、今日頭條、Amazon等等這些產品都已經從個性化推薦中嚐到了商業的甜頭。甚至有人說在未來,推薦系統會成為所有資料型產品的標配。
然而推薦系統前方技術蓬勃發展,後方卻落地困難。
審視推薦系統的技術應用現狀,大廠們一騎絕塵,但太多中小廠的工程師們還不知道一個推薦系統如何從 0 到 1 誕生,需要去了解哪些知識。比如有人問我這些問題:
1. 我們產品這個階段需要上線推薦系統嗎?推薦系統前期投入大嗎?
2. 推薦系統這事容易整嗎?裡面那些演算法到底是怎麼回事?
3. 搭建一個推薦系統,這裡面有哪些坑?
4. 推薦架構、搜尋引擎和廣告系統之間應該如何協同?
5. 推薦系統相關的開源軟體都有哪些?如何選型?
所以我就順勢寫了一個推薦系統相關的專欄,希望能幫助推薦系統學習者架構起整體的知識脈絡,並在此基礎上補充實踐案例與經驗,
下面是這個專欄完結目錄的部分,目前只在極客時間上釋出,你需要付費閱讀(在本文最後有相關的二維碼)。
這個專欄已經完結,作為完結禮物,我特別花了很長的時間給大家整理了一些業界公開的相關讀物,一共有52篇,供想深入閱讀的人繼續學習。有論文形式,網路文章,簡報,還有一些經典書籍,我都都整理在專欄尾篇,記得要看。
我的專欄現在正在做拼圖活動,原價68元,拼團價58元,限時拼團3天!
凡購買使用者,還可得到我整理的
刑無刀是誰?
我是刑無刀,本名陳開江,現在是鏈家網資深演算法專家,從事演算法類產品的研發。在這之前我曾任新浪微博資深演算法工程師,考拉FM演算法主管。從業8年時間,我的工作和研究範圍始終沒有超出推薦系統。
這些年,我曾服務過創業公司、傳統大公司和大型網際網路公司,這些經歷也讓我見證了大大小小、形狀各異的推薦系統的構建過程。又因為我基本都從0到1參與了這些公司的推薦系統,所以我也清楚這中間都有哪些坑。
掃碼立即訂閱
相關文章
- 破解 YouTube 的視訊推薦演算法演算法
- 推薦系統一——深入理解YouTube推薦系統演算法演算法
- 如何破解YouTube視訊推薦演算法演算法
- YouTube視訊的推薦演算法演算法
- YouTube和今日頭條很委屈:色情暴力的鍋推薦系統該不該背?
- LinkedIn 招聘之搜尋和推薦系統背後的 AIAI
- 原來YouTube推薦系統的內幕是這樣……
- 雲音樂推薦系統(二):推薦系統的核心演算法演算法
- 持續不斷地推薦兒童不宜影片背後,YouTube是這樣訓練AI的AI
- Facebook智慧攝像頭Portal研發背後的那些事
- 揭祕全球最大網站Facebook背後的那些軟體網站
- YouTube推薦演算法獲技術艾美獎演算法
- 持續不斷地推薦兒童不宜視訊背後,YouTube是這樣訓練AI的AI
- 推薦系統中的常用演算法演算法
- 張雨石:微博背後的那些演算法演算法
- 談談新浪微博背後的那些演算法演算法
- Google Brain 推薦演算法,給了 Youtube 新生GoAI演算法
- YouTube深度學習推薦系統的十大工程問題深度學習
- 【推薦系統】:LFM演算法解析演算法
- 基於內容的推薦系統演算法演算法
- 推薦系統
- YouTube客戶端推薦 YouTube 免啟用中文最新客戶端
- 【推薦系統篇】--推薦系統之訓練模型模型
- 【轉】推薦系統演算法總結(一)演算法
- 推薦演算法在商城系統實踐演算法
- 編輯推薦之《推薦系統》
- 推薦系統中的EE問題——Bandit演算法演算法
- elasticsearch演算法之推薦系統的相似度演算法(一)Elasticsearch演算法
- 【推薦系統篇】--推薦系統之測試資料
- 《推薦系統學習》之推薦系統那點事
- Mahout的taste推薦系統引擎(影片推薦案例)AST
- YouTube是通過怎樣的演算法推薦視訊的?看看這位小哥的推測演算法
- 推薦系統概述
- 機器學習 — 推薦系統機器學習
- Goroutine背後的系統知識Go
- App Store編輯推薦背後的祕密:70%為遊戲APP遊戲
- 工作職位推薦系統的演算法與架構演算法架構
- 《推薦系統實踐》筆記 01 推薦系統簡介筆記