chinesefreesexvideos高潮,欧美极品少妇性运交,久久久国产一区二区三区,99久久婷婷国产综合精品,成人国产一区二区三区

這是一篇哈佛醫(yī)學(xué)院的HMS學(xué)術(shù)文章，一個(gè)叫Nsoesie和他的小伙伴們分析了醫(yī)院停車場(chǎng)的車輛數(shù)量和互聯(lián)網(wǎng)搜索趨勢(shì)，得出了疫情最早在19年8月在武漢開始。當(dāng)然這一說法被哈佛醫(yī)學(xué)院自己否了，理由是不適當(dāng)和不充分的數(shù)據(jù)、對(duì)統(tǒng)計(jì)方法的濫用和誤解，以及挑選互聯(lián)網(wǎng)搜索詞。事情并沒有隨著問題的發(fā)現(xiàn)終止，Nsoesie這些人的說法得到了媒體的廣泛報(bào)道。

我們來把整個(gè)時(shí)間進(jìn)行簡(jiǎn)單概括，大致就是——很多數(shù)據(jù)說明醫(yī)院里的車多了；車多了，肯定是看病的人多了；看病的人多了，肯定是得了新冠肺炎；同類類比，南京中華門景區(qū)旁邊是市第一醫(yī)院，直線距離1.1公里。除了一個(gè)小停車場(chǎng)、一個(gè)巷子、醫(yī)院地下停車場(chǎng)，沒有其他停車位，小停車場(chǎng)和巷子日常是停滿了的。國(guó)慶假期到了，醫(yī)院停車場(chǎng)滿了。得出的結(jié)論是——南京爆發(fā)疫情了。

如果從現(xiàn)象推原因，事實(shí)會(huì)差多少？上不了臺(tái)面的科研騙局，但是用腳投票的大眾選擇相信，不相信的人卻別有用心的傳播。

對(duì)應(yīng)到運(yùn)營(yíng)行業(yè)中，是不是很像整天方法論、刀法、套路、核心、SOP的某些人？從結(jié)果拆方法，方法匯總復(fù)用告訴100個(gè)人。只要有1個(gè)人做好，就可以說“你沒有做好，別人能做好，是你的問題”。哲學(xué)中有個(gè)樸素的觀點(diǎn)是“實(shí)踐是檢驗(yàn)真理的唯一標(biāo)準(zhǔn)”，而實(shí)踐之所以作為真理的檢驗(yàn)標(biāo)準(zhǔn)，這是由真理的本性和實(shí)踐的特點(diǎn)決定的。

做火了一兩個(gè)賬號(hào)/甚至沒做過賬號(hào)，總結(jié)出的運(yùn)營(yíng)經(jīng)驗(yàn)語(yǔ)句都不通順，前后經(jīng)不起推敲，而大家已經(jīng)掏錢上車了。如下圖，其實(shí)所有需要分發(fā)內(nèi)容的APP都是這個(gè)邏輯。

所以這篇內(nèi)容我不會(huì)寫那些網(wǎng)上一搜就會(huì)搜到10篇有9篇一樣的小紅書算法內(nèi)容，同樣和上篇內(nèi)容一樣做不到通俗易懂，甚至枯燥，看了不知所云。但相信我，看完你們會(huì)有很大的收獲。也許業(yè)務(wù)中的一些小的問題終于得到確認(rèn)，可能看待小紅書運(yùn)營(yíng)的角度更加的多元化，或者學(xué)會(huì)了更加具象的思維。想聽刀法、方法論、扯淡的可以點(diǎn)右上角的×了，如果你們想從更底層去一點(diǎn)點(diǎn)認(rèn)知自己在做的平臺(tái)，這篇內(nèi)容如果對(duì)你們有幫助那就太好了。我扒了很多論文、論壇以及找來了不少小紅書公開演講的PPT梳理總結(jié)，與實(shí)際業(yè)務(wù)相結(jié)合，歡迎關(guān)注點(diǎn)贊留言。

很多人經(jīng)常說小紅書算法，大部分人從產(chǎn)品角度出發(fā)，少部分人從運(yùn)營(yíng)角度出發(fā)，幾乎沒有人從技術(shù)角度出發(fā)。算法是一系列解決問題的清晰指令，算法代表著用系統(tǒng)的方法描述解決問題的策略機(jī)制。定向A?定向B，可能是男性和女性，也可能是國(guó)王和皇后。我們應(yīng)該先解釋A和B，而不是討論怎么從A?B。

從產(chǎn)品角度出發(fā)沒有什么大問題，但是有兩類大點(diǎn)，即產(chǎn)品的背景及使用。產(chǎn)品的背景包括解決什么需求、具體的使用場(chǎng)景是什么樣、目標(biāo)用戶是什么。產(chǎn)品的使用包括體驗(yàn)、UI、美工、交互。我看了大多數(shù)人對(duì)小紅書算法的分析，是從UI角度出發(fā)，即使用者界面出發(fā)，其實(shí)是相當(dāng)不準(zhǔn)確或者說淺層次的。從UI角度出發(fā)，抖音和小紅書相似程度是非常高的。抖音的首頁(yè)-推薦、關(guān)注、同城和小紅書的首頁(yè)-發(fā)現(xiàn)、關(guān)注、同城基本一致，消息頁(yè)和我

的頁(yè)面也基本一致，那么算法和邏輯就一致嗎？

差的太多了，反映到結(jié)果上，我們抖音和小紅書同樣的都做了200萬粉左右，一個(gè)基本沒有任何變現(xiàn)，一個(gè)收益很高。后來我們反復(fù)復(fù)盤，平臺(tái)就像那些年我們追的女孩子，沒有人永遠(yuǎn)年輕，但總有人正在年輕。即使運(yùn)營(yíng)了很多年，我們對(duì)當(dāng)初的這個(gè)女孩也時(shí)常感到陌生。而平臺(tái)也總會(huì)誕生新的機(jī)會(huì)，給后來者遐想空間。

話不多說，讓我們簡(jiǎn)單的梳理小紅書算法。不少段落取自ArchSummit深圳演講-趙曉萌（小紅書算法架構(gòu)師，負(fù)責(zé)機(jī)器學(xué)習(xí)應(yīng)用）、2019阿里云峰會(huì)·上海開發(fā)者開源大數(shù)據(jù)專場(chǎng)小紅書實(shí)時(shí)推薦團(tuán)隊(duì)負(fù)責(zé)人郭一的發(fā)言、以及秦波（推薦引擎北京工程負(fù)責(zé)人）、馬爾科（小紅書大數(shù)據(jù)組工程師）的帖子/PPT。如有侵權(quán)，聯(lián)系修改或者刪除。

小紅書社區(qū)是一個(gè)分享社區(qū)+電商的APP，分享社區(qū)通常意義上都是以女性為主，少量話題引導(dǎo)。每天平臺(tái)生產(chǎn)的內(nèi)容，要如何轉(zhuǎn)發(fā)分發(fā)給用戶，讓用戶看到用戶想看的，這是算法需要解決的問題。

對(duì)于小紅書來說，社區(qū)提供用戶黏性，為電商引流，電商把這部分流量變現(xiàn)，在APP里形成閉環(huán)，社區(qū)和電商互相推動(dòng)。對(duì)于算法團(tuán)隊(duì)來說，有社區(qū)的用戶數(shù)據(jù)，有用戶在電商版塊的行為數(shù)據(jù)，如何把兩邊的用戶行為連接起來，更好的理解用戶，是算法的根本出發(fā)點(diǎn)。

現(xiàn)在大家普遍認(rèn)可的都是下面這個(gè)流量分發(fā)模型，系統(tǒng)根據(jù)用戶互動(dòng)效果進(jìn)行評(píng)分的體系是CES。實(shí)際上太籠統(tǒng)了，ces評(píng)分也不知道是出現(xiàn)在整個(gè)推薦流程中的第一步、第二步、第三步，還是反復(fù)計(jì)算。接下來我會(huì)通過具體的一些案例，從技術(shù)的角度去解釋。

如果有看過我上篇講搜索流量的小伙伴應(yīng)該有印象，一篇筆記的搜索流量相對(duì)穩(wěn)定占位，而推薦流量是筆記成為爆款的核心。小紅書線上推薦的流程主要分為三步。第一步，從小紅書用戶每天上傳的筆記池中選出候選集，通過各種策略從千萬條的筆記中選出幾千個(gè)候選集進(jìn)行初排。第二步，在模型排序階段給每個(gè)筆記打分，根據(jù)小紅書用戶的點(diǎn)贊和收藏行為給平臺(tái)帶來的價(jià)值設(shè)計(jì)了一套權(quán)重的評(píng)估體系，通過預(yù)估用戶的點(diǎn)擊率，評(píng)估點(diǎn)擊之后的點(diǎn)贊、收藏和評(píng)論等的概率進(jìn)行打分。第三步，在將筆記展示給用戶之前，選擇分?jǐn)?shù)高的筆記，通過各種策略進(jìn)行多樣性調(diào)整。

那么小紅書是如何從每天的筆記池中選出候選集進(jìn)行初排的呢？

小紅書的內(nèi)容圖文并茂，用戶產(chǎn)生的內(nèi)容圖片多，質(zhì)量很高。用CNN（卷積神經(jīng)網(wǎng)絡(luò)）提取圖像特征，用Doc2Vec（文本到向量模型）提取文本特征，通過一和簡(jiǎn)單的分類器就能把用戶分到主題中，而主題是人工標(biāo)定的上百上千個(gè)主題。這是初排。

CNN和Doc2Vec具體是怎么提取筆記進(jìn)行分類的？

關(guān)于圖片的識(shí)別，小紅書是一個(gè)非常視覺的社區(qū)，圖像很多，小紅書用圖像提取特征就已經(jīng)能達(dá)到良好的效果，準(zhǔn)確率大概是85%時(shí)覆蓋率能達(dá)到73%左右。加上文本以后效果更好，準(zhǔn)確率達(dá)到90%，覆蓋率達(dá)到84%。

圖片這是第一個(gè)在內(nèi)容創(chuàng)作中需要注意的地方，對(duì)圖像的夸張識(shí)別到什么程度？

我們有一次發(fā)幼兒、中小學(xué)的教育案例，拍到了角落翻開來的書上關(guān)于母嬰胎教類的兩行字，肉眼都看不清，違規(guī)發(fā)警告說涉及到嬰兒遺傳等敏感內(nèi)容，賬號(hào)不被推薦3天。后來反復(fù)查找原因，才發(fā)現(xiàn)這個(gè)問題。這里再舉一個(gè)更常見的例子，涉及到了GBTD模型里的機(jī)器深度學(xué)習(xí)。小紅書上流行分享治痘，有很多臉上有很多痘痘怎么治好的筆記，怎么把這些觀感其實(shí)不適的內(nèi)容推薦給要看的人是一個(gè)問題。當(dāng)小紅書嘗試用CNN model做這個(gè)事的時(shí)候，發(fā)現(xiàn)無論照片是全臉漏出、半臉、1/4臉甚至只有少量的臉部器官，都可以很好的識(shí)別甚至識(shí)別圖里的文本，對(duì)反作弊有一定的幫助。所以，不要在圖片上進(jìn)行任何夾帶私貨，圖片識(shí)別+圖片文本識(shí)別，基本上準(zhǔn)確率有90%。

再講一下文本的向量表示，文本的向量表示有非常多種，其中一個(gè)比較有名的向量表示叫做 Word2Vec，是 Google 提出來的。它的原理非常簡(jiǎn)單，其實(shí)是一個(gè)非常淺的淺層神經(jīng)網(wǎng)絡(luò)，根據(jù)前后的詞來預(yù)測(cè)中間這個(gè)詞的概率，優(yōu)化預(yù)測(cè)的時(shí)候模型就得到了詞的向量表示。同樣的這個(gè)詞的向量表示在空間里也是有意義的，相似的詞也處在相近的空間里。這個(gè)模型比較有意思的是，把向量拿出來隨時(shí)可以做向量運(yùn)算。

女人到男人之間的那個(gè)指向的向量，和皇后到國(guó)王之間是一樣的，所以我們知道其中三個(gè)，就能算出另外一個(gè)。假如我們的筆記重點(diǎn)是“自駕”和“露營(yíng)”，Word2Vec會(huì)據(jù)前后的詞來預(yù)測(cè)中間這個(gè)詞的概率，可能是裝備、路線、西藏、過夜、海邊、周邊、攻略，推送到對(duì)應(yīng)的用戶頁(yè)面。

用戶畫像和筆記畫像是什么？在算法中扮演什么角色？

小紅書推薦預(yù)測(cè)模型已經(jīng)演化到了GBDT+Sparse D&W的模型。主要有9個(gè)預(yù)測(cè)任務(wù)，包括click、hide、like、fav、comment、share、follow等。點(diǎn)擊、保持、喜歡、評(píng)論、分享、關(guān)注。點(diǎn)擊是小紅書最大的模型，一天大概產(chǎn)生5億的樣本進(jìn)行模型訓(xùn)練。GBDT模型中的筆記分發(fā)，有非常多的用戶行為統(tǒng)計(jì)，產(chǎn)生了一些靜態(tài)的信息和動(dòng)態(tài)特征，用來描述用戶或者筆記。

通過用戶畫像和人口統(tǒng)計(jì)信息來描述用戶，比如性別年齡這些靜態(tài)信息。筆記分作者和內(nèi)容兩個(gè)維度，比如作者打分、筆記質(zhì)量、標(biāo)簽、主題。動(dòng)態(tài)特征雖然不多，但是非常重要。動(dòng)態(tài)特征包括用戶在瀏覽和搜索中有沒有點(diǎn)擊、有沒有深度行為等類似的用戶反饋。這些交互的數(shù)據(jù)有一個(gè)實(shí)時(shí)的pipeline從線下直接放到線上的模型里，在線上會(huì)利用這些數(shù)據(jù)對(duì)點(diǎn)擊率等交互質(zhì)量的指標(biāo)進(jìn)行預(yù)測(cè)，然后根據(jù)用戶和筆記的隱形分類進(jìn)行推薦。

關(guān)于動(dòng)態(tài)特征的提取，小紅書用的是Doc2Vec模型，也叫做相關(guān)筆記。相關(guān)筆記的要求是什么？推薦的筆記和用戶在看的筆記，最好講的是一個(gè)東西。比如說同一款口紅、同一個(gè)酒店、同一個(gè)旅游城市、同一款衣服，可能不是一個(gè)酒店，但是是類似的酒店。

可能不是同一個(gè)旅游城市，但可能是類似的旅游城市，是不是很難理解？那我們?cè)倬唧w一點(diǎn)，我如果看的是亞特蘭蒂斯這種級(jí)別的酒店，那么小紅書就不會(huì)給我推薦格林豪泰，而是類似同等級(jí)別的酒店。如果我經(jīng)常搜的是雪山/草原/沙漠，那么就不會(huì)給我推薦上海/北京/廣州這種人文和城市景觀突出的地方。

有一點(diǎn)需要注意的是，TFIDF model 雖然基本要求詞是一樣的，但它可以把一類筆記找出來，就是講用戶心理、描述用戶心情的筆記，因?yàn)橛脩裘枋鲂那橛玫脑~匯很接近，所以這個(gè)方法也會(huì)把擴(kuò)展的內(nèi)容找出來。“絕絕子”是非常明顯的一個(gè)語(yǔ)氣詞或者形容詞，在小紅書有461萬+篇筆記。

最核心的實(shí)時(shí)歸因場(chǎng)景業(yè)務(wù)，是如何制作用戶的行為標(biāo)簽的？

用戶畫像比較簡(jiǎn)單，不會(huì)存在過多的狀態(tài)，而實(shí)時(shí)歸因是整個(gè)實(shí)時(shí)流處理中最關(guān)鍵的場(chǎng)景。實(shí)時(shí)歸因?qū)⒐P記推薦給用戶后會(huì)產(chǎn)生曝光，產(chǎn)生打點(diǎn)信息，用戶的每一次曝光、點(diǎn)擊、查看和回退都會(huì)被記錄下來。

看一下下面這張圖，四次曝光的用戶行為會(huì)產(chǎn)生四個(gè)筆記曝光。如果用戶點(diǎn)擊第二篇筆記，就產(chǎn)生第二篇筆記的點(diǎn)擊信息，點(diǎn)贊會(huì)產(chǎn)生點(diǎn)贊的打點(diǎn)信息。如果用戶回退，就會(huì)顯示用戶在第二篇筆記停留了20秒。實(shí)時(shí)歸因會(huì)生成兩份數(shù)據(jù)，第一份是點(diǎn)擊模型的數(shù)據(jù)標(biāo)簽，下圖中第一篇和第三篇筆記沒有點(diǎn)擊，第二篇和第四篇筆記有點(diǎn)擊，這種數(shù)據(jù)對(duì)訓(xùn)練點(diǎn)擊模型很重要。點(diǎn)贊模型也和上面幾乎完全一樣。

CES評(píng)分參與在算法中的什么階段？

整個(gè)線上推薦的流程，只有在模型排序階段給每個(gè)筆記打分。筆記在筆記展示給用戶之前，小紅書會(huì)選擇分?jǐn)?shù)高的筆記通過各種策略進(jìn)行多樣性調(diào)整。Score=pCTR*（plike*Like權(quán)重+pCmt*Cmt權(quán)重...），CES如果參與其中，只是非常小的一部分。我通過爬蟲把爆文筆記爬了下來并做成CES形式的Excel表格分析，無論是表現(xiàn)各項(xiàng)數(shù)據(jù)關(guān)系的散點(diǎn)圖還是曲線圖，都沒有一個(gè)有規(guī)律的圖表，所以CES最多用在冷啟動(dòng)，聊勝于無。

綜合以上，最后我們還是用比較通俗的話去解釋這篇內(nèi)容想要論證或者體現(xiàn)的觀點(diǎn)：

1. 小紅書算法是一系列解決問題的清晰指令，算法代表著用系統(tǒng)的方法描述解決問題的策略機(jī)制。不應(yīng)該從使用者界面或者從已經(jīng)成熟的賬號(hào)中去梳理總結(jié)方法論，因?yàn)槭崂砜偨Y(jié)的只是一系列機(jī)制中特別瑣碎的小點(diǎn)，更不應(yīng)該形成所謂通用的方法論。大家工作業(yè)務(wù)開展也是，很多運(yùn)營(yíng)文章一下子就把整個(gè)運(yùn)營(yíng)流程說全了，我更建議從算法開始了解，工作也是從你實(shí)際的理論和認(rèn)知中開展，并不是照葫蘆畫瓢。給你飛機(jī)讓你照葫蘆畫瓢，好的，你來造。

2. 不要做公司想要推廣的內(nèi)容/你喜歡的內(nèi)容，而是要做算法覺得用戶想看的內(nèi)容，畢竟算法需要解決的問題就是——把平臺(tái)生產(chǎn)的內(nèi)容，轉(zhuǎn)發(fā)給用戶，讓用戶看到用戶想看的。

3. 對(duì)于小紅書，算法的出發(fā)點(diǎn)是如何把社區(qū)的用戶數(shù)據(jù)和電商版塊用戶的行為數(shù)據(jù)鏈接起來?，F(xiàn)在小紅書的盈利模式主要集中在達(dá)人種草，其實(shí)是算法團(tuán)隊(duì)不夠優(yōu)秀，沒有辦法提供足夠優(yōu)秀的中臺(tái)支撐。無論是電商或者廣告，其實(shí)大家都怨聲哀道。

前臺(tái)主要面向客戶以及終端銷售者，實(shí)現(xiàn)營(yíng)銷推廣和交易轉(zhuǎn)換。中臺(tái)主要面向運(yùn)營(yíng)人員，完成運(yùn)營(yíng)支撐。后臺(tái)主要面向后臺(tái)管理人員，實(shí)現(xiàn)流程審核、內(nèi)部管理以及后勤支撐，比如采購(gòu)、人力、財(cái)務(wù)、OA等系統(tǒng)。

算法崗在各大公司招聘線中也是發(fā)OFFER最高的一檔，目前來看，想做視頻內(nèi)容電商的算法人才會(huì)傾向于去抖音和快手。想做傳統(tǒng)電商的，會(huì)傾向于去阿里或者拼多多。至于圖文和純文形式的電商或者廣告，其實(shí)各家做了很多年都做的不是特別好。小紅書圖文能做好，得益于70%的用戶群體是女性，社區(qū)氛圍搭建的生活氛圍非常精致。

4. 選擇合適的內(nèi)容很重要，如果內(nèi)容小眾又剛需，那么小紅書通過策略選出的候選集相對(duì)容易選到我們的筆記。在整個(gè)筆記出現(xiàn)在大批量用戶的過程中，我傾向于CES評(píng)分沒有參與在內(nèi)，預(yù)測(cè)模型實(shí)際上扮演著很大的作用。體現(xiàn)在實(shí)際運(yùn)營(yíng)中就是，一張圖片一句話的筆記火的一塌糊涂、老賬號(hào)發(fā)什么什么火，因?yàn)轭A(yù)測(cè)模型。

5. 小紅書算法對(duì)圖片的優(yōu)先級(jí)非常高，并且有至少85%的準(zhǔn)確率。如果加上文本以后，準(zhǔn)確率能達(dá)到90%。所以無論是正常的圖文、下水不報(bào)備的筆記、違規(guī)引流的筆記，算法一直是可以清晰無誤的查出來的，只不過是運(yùn)營(yíng)中臺(tái)對(duì)賬號(hào)處理的松緊程度有關(guān)。例如哪個(gè)月要封賬號(hào)，哪個(gè)月要查資質(zhì)，哪個(gè)月要抓引流，算法都有數(shù)據(jù)，人為去干預(yù)就好了。

6. 關(guān)于文本的動(dòng)態(tài)特征提取，大家可以重點(diǎn)看一下上面說的預(yù)估詞以及相關(guān)筆記，是一個(gè)非常有趣但是又很實(shí)用的模型算法，我從普通用戶的角度，覺得抖音和小紅書這塊做的很不錯(cuò)。

7. 小紅書算法對(duì)筆記內(nèi)容的好壞，取決于用戶畫像和筆記畫像。用戶畫像一般是靜態(tài)信息，注冊(cè)賬號(hào)的時(shí)候就完成了一大半，性別年齡這些。筆記畫像包括做著打分、筆記質(zhì)量、標(biāo)簽、主題。（主題是我上面提到的人工分類的幾百個(gè)算法里的主題，并不是下面帶的標(biāo)簽或者內(nèi)容主旨）

8. 在我們?yōu)g覽推薦頁(yè)的時(shí)候，可以多看看一屏的內(nèi)容（四篇筆記），特別是用別的賬號(hào)刷到自己賬號(hào)的時(shí)候，如果一屏還有其他和你一樣類目的筆記，重點(diǎn)研究，算法認(rèn)為你們各方面都差不多，都展示了給用戶看。