具體來說，則是自動根據自然語言處理處理，進行自動歸納，和打標籤。使用者標籤我們自然看不到的，當然自己喜歡看哪方面的大概也知道吧？文章標籤和使用者標籤匹配度大於80%，才會進行推薦。臨界推薦指數一越高，推薦的量就越大。

臨界推薦指數二越大，發文時間越短，那麼推薦量就越大。相對應的，發文時間越長推薦量就越小，臨界推薦指數二越小，文章推薦量就越小。

關於前三次推薦，一般在12到24小時內完成，在這之後，就是第四第五次了，這時候的推薦量寥寥無幾。

11-11-2

官方釋出的，才是最好的，就不在此贅述了，直接上鍊接：

https://www.toutiao.com/i6511211182064402951/

（上）

2.列舉古代敬惜字紙的例子，中國古代對字紙非常崇拜。因為字=內容生產= 傳播分發。古代內容生產和內容分發是完全合一的，而現代內容生產和內容分發則是分離的。

3. 看待諮訊發展的一個特別視角，關鍵詞就是內容生產和內容分發。南方週末黃金時代的三駕馬車說法，一個報社最重要的三股力量是採編、經營、發行。

4.影響內容生產、內容分發的三大因素：受教育人口質量與數量，技術進步和機制。

（中）

1.網際網路技術發展，門戶網際網路開始誕生，少數網站有內容採編的權力，集納所有的媒體內容，讓全華人民來看，即門戶模式。入口網站對資訊的傳播非常重要，入口網站的分發能力非常強。

2.07,08年中國進入內容與分發雙軌制時代。報社掌握內容生產和分發，網際網路放大分發效果，中心式分發推動乏力。

2.非中心分發模式有兩種：演算法分發和社交分發。

3.移動網際網路推動非中心式分發大爆發:上網人數提升，線上時長提升，人機合一。

4.非中心式分發推動資訊大爆發。

5.社交分發有利有弊，粉絲價值，冷啟動難，紅利消失，不夠精準。

6.重大變數：短影片拉低內容生產和消費門檻。

（下）

1.演算法推薦的基本流程：消重，稽核和推薦。

2.演算法推薦對內容生產的新需求 ：數量，質量和豐富性。

3.演算法推薦對內容質量的把控：攔截低質，獎勵優質，模型識別，注重反饋。

推薦系統的本質：從巨大的內容池中為使用者匹配出感興趣的內容

推薦系統的本質，就是從一個巨大的內容池裡，給當前使用者匹配出幾篇感興趣的文章。這個內容池有幾十萬、上百萬的內容，涵蓋文章、圖片、小影片、問答等各種各樣的體裁。資訊的匹配主要依據三個要素：使用者、內容、感興趣。

下面我會把這 3 個要素詳細地介紹一下。

其次，內容刻畫。

推薦演算法的實質：擬合一個使用者對內容滿意度的函式

前面簡單介紹了推薦演算法的 3 個要素，那麼推薦演算法本身是什麼呢？它實際上是一個擬合你對內容滿意度的函式。它會估算你進入一篇文章後的點選機率，看完後的點贊、評論機率；在此基礎上，它還會給出你對這篇內容的正面評論、負面評論與中性評論的機率。

一篇文章在推薦系統中的生命週期：初審 - 冷啟動 - 正常推薦 - 複審

當大家發表完一篇文章，拍完一個影片後，就會生成一個內容。這個內容在整個系統裡面經過如下一些步驟。

首先就是要對這個內容進行稽核，也叫初審。

初審的目的在於判斷這篇文章有沒有違反國家有關法律的風險。在這一過程中，機器會判斷優先順序，將內容交給不同的人稽核。在機器和人工的共同配合下，內容會以較快的速度透過初審，從而立即展現在讀者面前。

在內容稽核之後就是“冷啟動”的過程。“冷啟動”，是一個推薦上的概念。新的文章發表之後，和之前那些已經在平臺上火起來的文章相比，具備一定的劣勢。這些現在還是“冷”的文章中的大部分可能是火不起來。這裡就存在一個矛盾：如果不把這篇文章展現給使用者，就不知道將來會不會火起來。

資訊推薦系統本質上要解決使用者、環境和資訊的匹配。

點選率、閱讀時間、點贊、評論、轉發，這些都是可以量化的。但一個大體量的推薦系統，服務使用者眾多，不能完全由指標評估，引入資料以外的要素，也很重要。有些演算法可以完成，有些演算法還做不到、做的不好，這就需要內容干預。

演算法推薦要達到不錯的效果，需要解決好這四類特徵：相關性特徵、環境特徵、熱度特徵和協同特徵。

相關性特徵，解決內容和使用者的匹配。環境特徵，解決基礎特徵和匹配。熱度特徵，在冷啟動上很有效。協同特徵，考慮相似使用者的興趣，在一定程度上解決所謂演算法越推越窄的問題。

完全依賴模型推薦成本過高，因此有了簡化策略的召回模型。基於召回策略，把一個海量、無法把握的內容庫，變成一個相對小、可以把握的內容庫，再進入推薦模型。這樣有效平衡了計算成本和效果。

文字特徵對於推薦的獨特價值在於，沒有文字特徵，推薦引擎無法工作，同時，文字特徵顆粒度越細，冷啟動能力越強。

語義標籤的效果，是檢查一個公司NLP（自然語言處理）的試金石。

頻道、興趣表達等重要產品功能，需要一個有明確定義、容易理解的文字標籤體系。所以，在隱式語義特徵已經可以很好地幫助推薦，且做好語義標籤需要投入遠大於隱式語義特徵的情況下，我們仍然需要做好語義標籤。

除了使用者的自然標籤，推薦還需要考慮很多複雜的情況：

1）過濾噪聲：過濾停留時間短的點選，打擊標題黨；2）懲罰熱點：使用者在熱門文章上的動作做降權處理；3）時間衰減：隨著使用者動作的增加，老的特徵權重會隨時間衰減，新動作貢獻的特徵權重會更大；4）懲罰展現：如果一篇推薦給使用者的文章沒有被點選，相關特徵（類別、關鍵詞、來源）權重會被懲罰；5）考慮全域性背景：考慮給定特徵的人均點選比例。

比起批次計算使用者標籤，採用流式計算框架，可以大大節省計算機資源，可以準實時完成使用者興趣模型的更新。幾十臺機器就可以支撐每天數千萬使用者的興趣模型更新，99%的使用者可以實現發生動作後10分鐘模型更新。

影響推薦效果的因素有很多，我們需要一個完備的評估體系，不能只看單一指標，點選率、留存、收入或是互動，我們需要看很多指標，做綜合評估：兼顧短期指標和長期指標，兼顧使用者指標和生態指標，注意協同效應的影響，有時候需要做徹底的統計隔離等。

很多公司的演算法做得不好，不是人的問題，是實驗平臺的問題。

如果A/B Test，每次資料都是錯的，不是這兒錯就是那兒錯，總上不了線，這個事就廢了。而一個強大的實驗平臺，可以實現每天數百個實驗同時線上，高效管理和分配實驗流量，降低實驗分析成本，提高演算法迭代效率。

複審，當推薦到一定程度後，系統會給使用者的反饋情況進行復審，比如說有人舉報，或者負面評論過多，如果在複審種，發現你屬於標題黨或者內容過於負向，將系統將會不再推薦，這一階段會有人工參與，這是你是否成為爆款的最後一步，很多一開始幾萬閱讀，然後就不推薦了，就是在這一步被終止了。

第一類是相關性特徵，就是評估內容的屬性和與使用者是否匹配。

第二類是環境特徵，包括地理位置、時間。

這些既是偏置特徵，也能以此構建一些匹配特徵。

第三類是熱度特徵。

包括全域性熱度、分類熱度，主題熱度，以及關鍵詞熱度等。內容熱度資訊在大的推薦系統特別在使用者冷啟動的時候非常有效。

第四類是協同特徵，它可以在部分程度上幫助解決所謂演算法越推越窄的問題。

如果第一階段需要達到這此指標透過，則進入下一階段推薦，再給你10000多的推薦，達到10000推 薦考核的指標，再給你更大的推薦。

機器推薦都達標後，進入人工稽核，人工稽核沒有問題的話，就可以給你加大推薦。

關鍵詞、關鍵詞、關鍵詞！

重要的事情說三遍。

這個問題之前我先問你幾個問題：

1.如果一個人迎面向你走來，你是如何判斷他是男人還是女人的呢？

答案是：用眼睛看他的外觀，看他的穿著打扮。

對於一般人來說長頭髮的就是女人，短頭髮的就是男人；穿男性服裝的就是男生，穿女性服裝的就是女人；比如穿裙子的必定是女人。還可以看相貌。

2.如果讓你找到你的老公，你去哪裡找呢？

答案是：根據經驗，如果他沒有在你的身邊，那麼有很大機率是在家裡或者公司。

3.如何在一群人當中找到你喜歡的？

答案是：你可能喜歡漂亮的，也可能喜歡個子高的，也可能喜歡膚白貌美的，也可能喜歡水蛇腰的，以至於這些特徵，你就能夠在一群人當中一眼找到自己所喜歡的那一個人。

4.如何讓一群人同時在人群中找到一個人？

答案是：把這一個人的外貌特徵告訴這一群人。

根據上面的問題，你有所察覺了嗎？

第1個問題當中，你要判斷一個人是男人還是女人，只能是透過他的外貌特徵去判斷，嗯，他的外貌特徵包括了頭髮，相貌，穿著打扮等等。

都是透過一些自己所喜歡的關鍵詞找到自己所喜歡的內容。

第4個問題當中，如何讓一群人同時在人群當中找到一個人，這其實與我們平時在瀏覽器當中搜尋，相對應的內容是一樣的，我們需要輸入不同的關鍵詞匹配出來的內容，那一定是我們需要的。

如果沒有，那就加大對關鍵詞的搜尋。

說白了就是你所喜歡的這個關鍵詞，正好和這一篇文章的關鍵詞相匹配，所以機器就把它推薦給你了。

如果喜歡那就擴大關鍵詞範圍，讓文章關鍵詞相對應的或者是相關聯的關鍵詞使用者看到這篇內容，如果他們也喜歡，那麼就繼續擴大關鍵詞範圍，也就是所謂的擴大推薦量。

還有一種可能是把你的內容推薦給1000個使用者之後，發現這些使用者並不喜歡你的那種，那他就會降權處理，所謂的降權處理指的就是這樣的推薦量，因為機器判定你的這篇內容可能是相對來說比較低質量的，或者是沒有價值的。

嚴重的可能會封號。