推荐系统陈开江 - C1 概念和思维 + C2 产品漫谈 + C

C1 概念和思维

• 推荐系统
  核心的概念是连接，建立推荐系统的前提是有一定的链接，有存量（留存，更适合推荐系统）和增量（增长）两种目标
• 问题模式
  主要有行为预测（主要）和评分预测
• 常见问题
  冷启动，探索和利用（大部分推荐感兴趣的，小部分试探用户新的兴趣），安全问题
• 思维模式
  UIUE > 数据 > 领域知识 > 算法
• 目标思维
  目标思维背后是量化一切，不能停留在感觉推荐很精准或者感觉推荐得很不准的
  区分目标和手段
  • 手段误区，产品提出需求的人能把手段深究为目标，实现需求的人能把目标转化为有效手段
  • 约束误区，保持1个目标（越大或小越好），多个约束（不要低于或者高于某个值，必须具备某种属性）
• 不确定性思维
  算法基本都是概率算法，无法保证能够得到，不可解释的推荐也可以探索新兴趣；但是不能把bug都归咎于“不确定”，上线服务端API需要单元测试，回归测试，压力测试，内部需要使用调试工具和详细日志来记录每个推荐结果的计算过程

C2 产品漫谈

• 价值
  注意力由内容复杂度（质量）和内容被消耗的加速度成绩决定，用投其所好的方式存储注意力，然后将注意力作为商品与用户交换，进行变现
• 成本
  团队成本，文化建设成本，算法工程师，软件工程师
  硬件成本，相对于团队成本微不足道
  机会成本，选择大于努力

C13 团队和个人

• 团队
  • 算法工程师：1位 用Quora开源的QMF工具可以支撑3.9年
  • 软件开发工程师：2位，软件工程师：负责AB，RPC，过滤填充，以及Rest API；运维工程师，搭建数据，回收用户反馈数据，统一存储日志数据
  • 其他非技术角色，跨部门合作
• 个人
  • 工程能力
    算法论文应用，自己实现然后看开源的实现，对比总结
    熟读现有的轮子，对轮子的性能和实现方法有十足的了解
    创造自己的轮子，整体升级为自研系统
  • 理论基础
    概率，线性代数，微积分，信息论，博弈论
  • 可视化思维
    python的Matplotlib，节省沟通成本
  • 其他
    学习能力，沟通能力，表达能力