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，一個叫Nsoesie和他的小伙伴們分析了醫(yī)院停車場的車輛數(shù)量和互聯(lián)網(wǎng)搜索趨勢，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)、對統(tǒng)計方法的濫用和誤解，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道。

我們來把整個時間進行簡單概括，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。除了一個小停車場、一個巷子、醫(yī)院地下停車場，沒有其他停車位，小停車場和巷子日常是停滿了的。國慶假期到了，醫(yī)院停車場滿了。得出的結(jié)論是——南京爆發(fā)疫情了。

如果從現(xiàn)象推原因，事實會差多少？上不了臺面的科研騙局，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。

對應(yīng)到運營行業(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個人。只要有1個人做好，就可以說“你沒有做好，別人能做好，是你的問題”。哲學(xué)中有個樸素的觀點是“實踐是檢驗真理的唯一標(biāo)準(zhǔn)”，而實踐之所以作為真理的檢驗標(biāo)準(zhǔn)，這是由真理的本性和實踐的特點決定的。

做火了一兩個賬號/甚至沒做過賬號，總結(jié)出的運營經(jīng)驗語句都不通順，前后經(jīng)不起推敲，而大家已經(jīng)掏錢上車了。如下圖，其實所有需要分發(fā)內(nèi)容的APP都是這個邏輯。

所以這篇內(nèi)容我不會寫那些網(wǎng)上一搜就會搜到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，可能看待小紅書運營的角度更加的多元化，或者學(xué)會了更加具象的思維。想聽刀法、方法論、扯淡的可以點右上角的×了，如果你們想從更底層去一點點認知自己在做的平臺，這篇內(nèi)容如果對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)，與實際業(yè)務(wù)相結(jié)合，歡迎關(guān)注點贊留言。

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)，少部分人從運營角度出發(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制。定向A?定向B，可能是男性和女性，也可能是國王和皇后。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，即產(chǎn)品的背景及使用。產(chǎn)品的背景包括解決什么需求、具體的使用場景是什么樣、目標(biāo)用戶是什么。產(chǎn)品的使用包括體驗、UI、美工、交互。我看了大多數(shù)人對小紅書算法的分析，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-推薦、關(guān)注、同城和小紅書的首頁-發(fā)現(xiàn)、關(guān)注、同城基本一致，消息頁和我

的頁面也基本一致，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，一個基本沒有任何變現(xiàn)，一個收益很高。后來我們反復(fù)復(fù)盤，平臺就像那些年我們追的女孩子，沒有人永遠年輕，但總有人正在年輕。即使運營了很多年，我們對當(dāng)初的這個女孩也時常感到陌生。而平臺也總會誕生新的機會，給后來者遐想空間。

話不多說，讓我們簡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，負責(zé)機器學(xué)習(xí)應(yīng)用）、2019阿里云峰會·上海開發(fā)者開源大數(shù)據(jù)專場小紅書實時推薦團隊負責(zé)人郭一的發(fā)言、以及秦波（推薦引擎北京工程負責(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。對于算法團隊來說，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。

現(xiàn)在大家普遍認可的都是下面這個流量分發(fā)模型，系統(tǒng)根據(jù)用戶互動效果進行評分的體系是CES。實際上太籠統(tǒng)了，ces評分也不知道是出現(xiàn)在整個推薦流程中的第一步、第二步、第三步，還是反復(fù)計算。接下來我會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候選集進行初排。第二步，在模型排序階段給每個筆記打分，根據(jù)小紅書用戶的點贊和收藏行為給平臺帶來的價值設(shè)計了一套權(quán)重的評估體系，通過預(yù)估用戶的點擊率，評估點擊之后的點贊、收藏和評論等的概率進行打分。第三步，在將筆記展示給用戶之前，選擇分數(shù)高的筆記，通過各種策略進行多樣性調(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)定的上百上千個主題。這是初排。

CNN和Doc2Vec具體是怎么提取筆記進行分類的？

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

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

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，賬號不被推薦3天。后來反復(fù)查找原因，才發(fā)現(xiàn)這個問題。這里再舉一個更常見的例子，涉及到了GBTD模型里的機器深度學(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不適的內(nèi)容推薦給要看的人是一個問題。當(dāng)小紅書嘗試用CNN model做這個事的時候，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，都可以很好的識別甚至識別圖里的文本，對反作弊有一定的幫助。所以，不要在圖片上進行任何夾帶私貨，圖片識別+圖片文本識別，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。它的原理非常簡單，其實是一個非常淺的淺層神經(jīng)網(wǎng)絡(luò)，根據(jù)前后的詞來預(yù)測中間這個詞的概率，優(yōu)化預(yù)測的時候模型就得到了詞的向量表示。同樣的這個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。這個模型比較有意思的是，把向量拿出來隨時可以做向量運算。

女人到男人之間的那個指向的向量，和皇后到國王之間是一樣的，所以我們知道其中三個，就能算出另外一個。假如我們的筆記重點是“自駕”和“露營”，Word2Vec會據(jù)前后的詞來預(yù)測中間這個詞的概率，可能是裝備、路線、西藏、過夜、海邊、周邊、攻略，推送到對應(yīng)的用戶頁面。

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)測模型已經(jīng)演化到了GBDT+Sparse D&W的模型。主要有9個預(yù)測任務(wù)，包括click、hide、like、fav、comment、share、follow等。點擊、保持、喜歡、評論、分享、關(guān)注。點擊是小紅書最大的模型，一天大概產(chǎn)生5億的樣本進行模型訓(xùn)練。GBDT模型中的筆記分發(fā)，有非常多的用戶行為統(tǒng)計，產(chǎn)生了一些靜態(tài)的信息和動態(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)容兩個維度，比如作者打分、筆記質(zhì)量、標(biāo)簽、主題。動態(tài)特征雖然不多，但是非常重要。動態(tài)特征包括用戶在瀏覽和搜索中有沒有點擊、有沒有深度行為等類似的用戶反饋。這些交互的數(shù)據(jù)有一個實時的pipeline從線下直接放到線上的模型里，在線上會利用這些數(shù)據(jù)對點擊率等交互質(zhì)量的指標(biāo)進行預(yù)測，然后根據(jù)用戶和筆記的隱形分類進行推薦。

關(guān)于動態(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，最好講的是一個東西。比如說同一款口紅、同一個酒店、同一個旅游城市、同一款衣服，可能不是一個酒店，但是是類似的酒店。

可能不是同一個旅游城市，但可能是類似的旅游城市，是不是很難理解？那我們再具體一點，我如果看的是亞特蘭蒂斯這種級別的酒店，那么小紅書就不會給我推薦格林豪泰，而是類似同等級別的酒店。如果我經(jīng)常搜的是雪山/草原/沙漠，那么就不會給我推薦上海/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，因為用戶描述心情用的詞匯很接近，所以這個方法也會把擴展的內(nèi)容找出來。“絕絕子”是非常明顯的一個語氣詞或者形容詞，在小紅書有461萬+篇筆記。

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

用戶畫像比較簡單，不會存在過多的狀態(tài)，而實時歸因是整個實時流處理中最關(guān)鍵的場景。實時歸因?qū)⒐P記推薦給用戶后會產(chǎn)生曝光，產(chǎn)生打點信息，用戶的每一次曝光、點擊、查看和回退都會被記錄下來。

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

CES評分參與在算法中的什么階段？

整個線上推薦的流程，只有在模型排序階段給每個筆記打分。筆記在筆記展示給用戶之前，小紅書會選擇分數(shù)高的筆記通過各種策略進行多樣性調(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)各項數(shù)據(jù)關(guān)系的散點圖還是曲線圖，都沒有一個有規(guī)律的圖表，所以CES最多用在冷啟動，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：

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制。不應(yīng)該從使用者界面或者從已經(jīng)成熟的賬號中去梳理總結(jié)方法論，因為梳理總結(jié)的只是一系列機制中特別瑣碎的小點，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，很多運營文章一下子就把整個運營流程說全了，我更建議從算法開始了解，工作也是從你實際的理論和認知中開展，并不是照葫蘆畫瓢。給你飛機讓你照葫蘆畫瓢，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. 對于小紅書，算法的出發(fā)點是如何把社區(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。現(xiàn)在小紅書的盈利模式主要集中在達人種草，其實是算法團隊不夠優(yōu)秀，沒有辦法提供足夠優(yōu)秀的中臺支撐。無論是電商或者廣告，其實大家都怨聲哀道。

前臺主要面向客戶以及終端銷售者，實現(xiàn)營銷推廣和交易轉(zhuǎn)換。中臺主要面向運營人員，完成運營支撐。后臺主要面向后臺管理人員，實現(xiàn)流程審核、內(nèi)部管理以及后勤支撐，比如采購、人力、財務(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傾向于去抖音和快手。想做傳統(tǒng)電商的，會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容易選到我們的筆記。在整個筆記出現(xiàn)在大批量用戶的過程中，我傾向于CES評分沒有參與在內(nèi)，預(yù)測模型實際上扮演著很大的作用。體現(xiàn)在實際運營中就是，一張圖片一句話的筆記火的一塌糊涂、老賬號發(fā)什么什么火，因為預(yù)測模型。

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

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

7. 小紅書算法對筆記內(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，注冊賬號的時候就完成了一大半，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覽推薦頁的時候，可以多看看一屏的內(nèi)容（四篇筆記），特別是用別的賬號刷到自己賬號的時候，如果一屏還有其他和你一樣類目的筆記，重點研究，算法認為你們各方面都差不多，都展示了給用戶看。