1
推荐系统做得好，收入用户跑不了
「800 亿美元」的主角是 Alphabet（Google 母公司）。
2016 年，Alphabet 的广告收入为 794 亿美元，牢牢占据全球媒体广告收入第一名。排在第二的是 Facebook，第三名是传统媒体 Comcast（美国康卡斯特电信公司），129 亿美元的收入还不到 Alphabet 的五分之一。
为什么 Google 能在广告上获得如此高的收入，将其他竞争者远远甩在网络营销解决方案身后？
2003 年上线时，Google 的广告系统还是以用户键入的关键词（query）为出发点，通过匹配、分析点击数据提升效果的广告系统。十几年间技术更迭，如今已经变成了拥有上千亿特征的庞大的机器学习系统。
Google 的广告为什么不会令人反感？在基于个人、广告和关键词的千亿特征之间，推荐系统努力将真正可能感兴趣的商品、服务的广告呈现在你面前。学习用户点击行为的反馈数据后，推荐系统还可以不断提升广告的准确度和转化率。现在，Alphabet 70% 以上的营收来自广告。支撑一个近万亿美元市值的互联网帝国，推荐系统功不可没。
「上线一年日活超千万」的主角是抖音。
自去年 9 月上线以来，抖音的日均活跃用户数已超千万，迅速从 2011 年诞生的老前辈「快手」手中抢得一片天地。在上周的今日头条段视频营销峰会上，官方给出的数据是抖音的日均播放量已经超过 10 亿。
为什么抖音有毒，一刷就停不下来？
通过收集用户点赞、分享、上滑（不喜欢）、观看时长等数据，抖音不断分析着用户的行为喜好。配合使用今日头条时已有的用户画像和庞大的用户基数，在推荐系统的帮助下，抖音可以不断将「真正感兴趣的内容」推送给你，实现「像素级的个性化」让你上瘾。
「花掉 20 倍时间」的主角是 YouTube。
2015 年，YouTube 开始使用基于深度学习的推荐系统。从基于搜索的「视频网站」，到依赖「频道」订阅的「电视台」，再到现在的「个性化主页」，10 年间 YouTube 一直在改变。现在，YouTube 用户在线观看时长与三年前相比整整提升了 20 倍，其中 70% 都来自算法推荐。
把你需要的交给你，这就是推荐系统，一项影响着我们每个人的技术。
2
猜测你，猜测一颗暧昧的心
顾名思义，推荐系统就是向用户推荐感兴趣或者需要的商品及内容的系统。
并不会沟通的机器，如何了解你的喜好？只能通过一些不那么明显的信息你的历史行为、社交关系、兴趣点、所处上下文环境等等，试着将你感兴趣的内容找出来。淘宝的相似商品，豆瓣的「喜欢这部电影的人也喜欢」、甚至今日头条整个产品，都是推荐系统的表现形式。
最早人们使用的是基于内容的推荐方法（Content-based Filtering），即根据物品（item）的属性为它们打上标签，通过标签计算它们之间的相似度。用户只要选择一种物品，机器就会推荐出与之类似的物品。最早采用这种方法的是亚马逊，当时这种方法帮他们卖掉了不少书。
当你浏览《正义联盟》页面，豆瓣推荐的都是超级英雄电影
不过基于内容的推荐方法有着显而易见的缺点。一旦我们已经购买了某种物品，并不需要更多类似的东西。还有很多东西我们的确需要，只是没有表达或者不知道该如何表达出来。
于是人们提出了协同过滤方法（Collaborative Filtering）。就像日常生活中我们会让兴趣相投的朋友推荐电影或者音乐，协同过滤的做法是通过行为、标签等数据找到与你相似的用户，通过他们的行为和他们喜欢的内容，为你推荐你可能感兴趣的物品或内容。
除此之外，Spotify 还会使用自然语言处理技术分析社交网络、网页中的文字内容，以此判断作品之间的联系进行推荐。使用深度学习技术的 YouTube，还能找到内容之间人类难以发现的联系。
互联网中沉淀了大量有用的、适合你的信息，只是通过搜索引擎很难表现出来。这些信息就像一座冰山，搜索让我们看见水上的部分，推荐系统则尽量将水下庞大的体积盘活，让那些没被注意到的部分浮出水面。
3
搜索向左、Feed 流向右
欢迎来到「有毒」时代
马太效应（Matthew Effect），指强者愈强、弱者愈弱的现象。
长久以来无论电商销售还是新闻传播，互联网一直因马太效应而受诟病。
也许我们不该将责任推卸给互联网。趋从热点、希望了解他人已经了解的事物是人的本能，了解他人不了解的事物、追求个性与不同同样是人的本能也许只是这部分需求暂且没有被满足。
Chris Anderson 早早就注意到了这个特点。2004 年他在《长尾理论》中表达了自己的观点：当商品储存、流通、展示的场地和渠道足够宽广，看似需求极低的产品只要有卖都会有人买，其所占的市场份额甚至可以超过热卖品。
亚马逊的线上图书销售状况证明了长尾理论的合理性，「那些过去根本卖不动的书，现在要比畅销书卖得多」。
信息同样如此。爱玩社交网络的你一定已经发现，过去一年不论新浪微博还是 Instagram，信息流中的内容被强制变乱了。与此同时，百度在首页增加了新闻信息流，就连工具产品 UC 浏览器，也早早把自己变成了信息流产品 UC 头条。
为什么大家都盯上了个性化 Feed 流（即我们通常所说的「信息流」）？
从基于搜索的、到基于信息的，「Feed 流」改变了用户需要强驱动才会主动获取信息的行为模式，只需要被动选择自己想要的；从基于时间的、到基于兴趣的，「个性化」将原本因为时间被刷掉、用户本应感兴趣的内容重新呈现在人们面前。
你也可以用不感兴趣，调教属于自己的推荐系统
虽然你可能并不喜欢主页的杂乱无章，但社交网络产品的用户和留存时间的确在大幅上升。2017 年二季度财报显示，新浪微博月活跃用户数为 3.61 亿，较上年同期增长 28% ；日均活跃用户数为 1.59 亿，较上年同期增长 26%。
2013 年，Alexis Madrigal 曾在《大西洋月刊》的一篇文章中写道：「Feed 的巅峰时刻已经过去没完没了的内容流服务会让人感觉精疲力竭。」
显然他没有意识到推荐系统的巨大魅力。只要推荐得足够好，用户的时间就像挤不干的海绵，永远都有。
2000 年代的广告系统，2010 年代的 Feed 流，推荐系统的下一个爆发点在哪儿？
4
教育、金融、招聘
你能想到的垂直领域都有它
也许是各个垂直行业。
比如教育。通过切入作业场景，根据学生的答题状况进行画像，教育类应用就可以推荐适合学生的题目和需要巩固的知识，阿凡题、猿题库、作业盒子都已经部署了类似的个性化教育系统。
比如金融。通过分析以往沉淀的用户数据为用户画像，再根据市场和环境的变化推荐合适的理财产品，推荐系统相关技术早已被各大银行采用。
再或者招聘、寻找伴侣。除了根据求职者的情况推荐合适的工作，招聘类应用也在根据雇主的需求推荐合适的候选者；世纪佳缘等相亲类产品自不必说，Tinder、探探等交友产品早早就应用了推荐系统。不然，是谁来找出那些你可能感兴趣的用户呢？
只要有用户、有个性化的需求，就有推荐系统的用武之地。
据某信息流产品负责人称，「年初 50 万年薪还能招到合适的推荐系统工程师，现在 100 万都找不到」。
这是推荐系统的黄金时代，也是推荐系统工程师的黄金时代。
同样是属于用户的黄金时代。丛林里的鸟唱了一首绝妙的歌，如果没有被人听到，这歌声就不存在了吗？推荐系统正在让我们听见这歌声，看见更多原本被忽略的事物。
也正是因为推荐系统，才让我们在浩如烟海的信息世界中相遇。
如您想在抖音上投放广告，请拨打抖音广告投放热线400-620-8365进行咨询。
