漫談今日頭條、大資料與智慧推薦演算法
又幾天沒和大家聊天了，最近個人有點毛燥，需多吃些草，
其實在互聯網生活裡，內容推薦技術已經無處不在了。
我從Amazon買了一本《時間簡史》，回過頭來再流覽，它可能推薦我可能喜歡《未來簡史》，或者推薦《PHP高性能應用開發與實踐》（它還沒智慧到知道是我寫的，歡迎大家支持，一個知識份子碼農能說這樣的話也是夠了 ^_^）。
我登錄YouTube上看小電影，它推薦我可能喜歡的視頻。友情提示，如果電腦是共用的，同學們千萬要注意哦~
為了支持小紮，我上Facebook，它會推薦哪些朋友更新，哪些人你可能認識。最要命是它會推薦一些你可能喜歡的美女，要注意這些人可能只是照片長得好看...
今日頭條一打開，就給我推薦互聯網相關的內容，還給我推薦單身攻略，婚姻修養，歷史鉤沉，社會雜聞，還有我這九零後看不懂得的段子，是名符其實的『今日辣條』。實在忒low，我這麼高雅的人，這種低級趣味真是看夠了。
低頭族除了玩手機，然後就是塞著耳機聽音樂，網易雲音樂。QQ音樂，蝦米
掌握了你的重口味。
要查看其它語言的網站，Google會幫我們自動翻譯27國語言。更逆天的是，
標準機械化的文章完全可以取代編輯，由機器人來代寫了。特別是導購類，
查找航班，買火車票，機器幫我們預測票價，自動搶票等能力。
還有購買基金，選股票神馬的。像前段時間支付寶同學執著的想加入社交，產品經理們都開始拉妹子線上了，就差沒做出『你附近的有錢人』，這樣，怕是沒人敢用支付寶了。
這些後端都來自於機器學習演算法。機器學習演算法屬於人工智慧領域的一個分支。它從一堆資料中推斷，
在這裡，我們程式師們充當了小神靈（創造演算法並將其編碼的人），創建創意不同的世界。
頭條們如何做推薦
說到機器演算法，智慧推薦，都會提到今日頭條或一點資訊這些內容產品。
今日頭條是主要基於移動互聯網（手機用戶端）的產品，當然也有Web（PC端）。
內容強調更新快，強調推送，而非傳統的展示或刷新，提供的內容更“精准”，做到千人千面和資訊時效性。
它的內容推送完全基於機器演算法，減少小編人為干預，不斷訓練和提高自己，並獲得內容變現和成本上的好處。
移動互聯網為今日頭條的興起提供了紅利，手機現在和用戶如影隨形，這就產生了大量碎片化的富餘時間，同時手機的便利性也為時效性的競爭提供了空間，可以重新定義使用者價值，於是資訊流的內容提供模式有了用武之地，而在PC端，用戶的時間和便利性受到的壓縮，使得資訊流的價值難以體現出來。
頭條的推薦機制
第一次安裝了今日頭條，你打開APP時，它會記住使用者手機的作業系統，版本，螢幕，遍歷使用者安裝的App，流覽器的Cookie、我的最愛，用戶端網路，LBS位址如北京市海澱區等資訊，這樣在使用者未登錄的情況下，能夠通過這些基本的Profile做一個基礎畫像。
餘下的，頭條根據我們的閱讀文章的分類，喜好興趣，閱讀時長，發表評論等維度進行更清晰的畫像，然後推薦給我們。
有一個非常現實的例子。你有一個非常喜歡的妹子，你每天盼著和她聊天，每次聊天，有時候很好，這時候你想約她出來。但是如果遭到拒絕，你又很難過。又到週五時，你拿著手機考慮要不要給她電話，隱約記得上次你問過她，被她拒絕了。可是明明的兩回她是答應的，前一次又拒絕了呢？是不是她不想出門，還是她喜歡小黑屋，不喜歡泡吧？喜歡吃包子，不喜歡吃披薩？你百思不得其姐，細思恐極。
於是你先放下天天拿著的手機，默默地做了個下麵類似機器演算法的表格：
那麼，我們試圖從此表格中來找尋規律。
但是很明顯，有時候約會和自己的發現這狀態有關，還有的時候取決於她的情緒，明明天氣很好，但是她的脾氣卻很壞，還有每次兩個人說的話都不會重樣，這樣一來，機器演算法也無法預測答案，因此，這樣的場景就不適合用大資料和機器演算法，它適合於規律和標準化的資料。
但是它能總能給我們一些啟示，特別是一些糊裡糊塗，天天就知道寫代碼的人——就像我這樣的，拖延狂還有碼農綜合症，忘記生活，需要有大資料來嚴重介入。
不知道愚人節大家被騙了幾回，反正我中午吃了一頓烤饢。
提供的內容更“精准”，做到千人千面和資訊時效性。它的內容推送完全基於機器演算法，減少小編人為干預，不斷訓練和提高自己，並獲得內容變現和成本上的好處。
移動互聯網為今日頭條的興起提供了紅利，手機現在和用戶如影隨形，這就產生了大量碎片化的富餘時間，同時手機的便利性也為時效性的競爭提供了空間，可以重新定義使用者價值，於是資訊流的內容提供模式有了用武之地，而在PC端，用戶的時間和便利性受到的壓縮，使得資訊流的價值難以體現出來。
頭條的推薦機制
第一次安裝了今日頭條，你打開APP時，它會記住使用者手機的作業系統，版本，螢幕，遍歷使用者安裝的App，流覽器的Cookie、我的最愛，用戶端網路，LBS位址如北京市海澱區等資訊，這樣在使用者未登錄的情況下，能夠通過這些基本的Profile做一個基礎畫像。
餘下的，頭條根據我們的閱讀文章的分類，喜好興趣，閱讀時長，發表評論等維度進行更清晰的畫像，然後推薦給我們。
有一個非常現實的例子。你有一個非常喜歡的妹子，你每天盼著和她聊天，每次聊天，有時候很好，這時候你想約她出來。但是如果遭到拒絕，你又很難過。又到週五時，你拿著手機考慮要不要給她電話，隱約記得上次你問過她，被她拒絕了。可是明明的兩回她是答應的，前一次又拒絕了呢？是不是她不想出門，還是她喜歡小黑屋，不喜歡泡吧？喜歡吃包子，不喜歡吃披薩？你百思不得其姐，細思恐極。
於是你先放下天天拿著的手機，默默地做了個下麵類似機器演算法的表格：
那麼，我們試圖從此表格中來找尋規律。
但是很明顯，有時候約會和自己的發現這狀態有關，還有的時候取決於她的情緒，明明天氣很好，但是她的脾氣卻很壞，還有每次兩個人說的話都不會重樣，這樣一來，機器演算法也無法預測答案，因此，這樣的場景就不適合用大資料和機器演算法，它適合於規律和標準化的資料。
但是它能總能給我們一些啟示，特別是一些糊裡糊塗，天天就知道寫代碼的人——就像我這樣的，拖延狂還有碼農綜合症，忘記生活，需要有大資料來嚴重介入。
不知道愚人節大家被騙了幾回，反正我中午吃了一頓烤饢。