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《推薦系統36式》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，力圖解決你係統起步階段 80% 的問題。

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【52篇推薦系統相關文章】+【推薦系統知識框架圖】。

             

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