自從互聯(lián)網(wǎng)商業(yè)化發(fā)展以來，不論是新聞客戶端、視頻網(wǎng)站或是電商平臺……所有的平臺，都是把自己默認為一個優(yōu)秀的飼養(yǎng)員，它按照自己的想法，把內(nèi)容（飼料）Push（喂）給用戶。
這些飼養(yǎng)員都是受過訓練的專業(yè)人士，行話叫做---由網(wǎng)站編輯為用戶設置議程，按照大多數(shù)用戶的口味挑選內(nèi)容。
后來編輯實在忙不過來，采用機器幫忙---最簡單的機器方式則是“熱門推薦”，比如按照點擊量或其它數(shù)據(jù)來做排序。
飼養(yǎng)員模式最大的問題是不知道食客胃口如何，這會導致兩個顯著的后果：一是食客不滿意，用戶個性化需求不能得到滿足；二是自身資源浪費，大量長尾資源長期得不到曝光，增加沉沒成本。
有人發(fā)現(xiàn)了機器的好處。機器可以是根據(jù)用戶特征來推薦內(nèi)容。正如一個高明的廚子可以根據(jù)每一個食客的口味提供飯菜，如果機器足夠聰明，在一定程度上可以解決所有用戶的個性化需求。這豈不是內(nèi)容產(chǎn)業(yè)的C2M？
準確的說，這是內(nèi)容分發(fā)的C2M，它以單個用戶為對象進行溝通，跳出了大眾傳播/分眾傳播窠臼，是不是足以革了所有的搜索引擎和門戶網(wǎng)站的命？
這種智能化的內(nèi)容C2M有深刻的時代背景。今天，你已經(jīng)站在時代邊緣，眼睜睜的看著AI技術點燃了IOT的引線，接下來你將發(fā)現(xiàn)自己無可拒絕的進入下一個信息核爆的時代：信息終端爆炸、信息規(guī)模爆炸、信息平臺爆炸……
在信息高速公路上，你開過的車，你走過的路，全都變了規(guī)則，你所熟悉的一切的基于飼養(yǎng)員模式的知識框架都面臨顛覆。
在這個時代，飼養(yǎng)員模式已經(jīng)失靈了，聰明的機器將成為最大的變量。
第一個出現(xiàn)的場景是人類生產(chǎn)內(nèi)容，機器分發(fā)內(nèi)容。
下一個出現(xiàn)的場景是機器生產(chǎn)內(nèi)容，機器分發(fā)內(nèi)容。
內(nèi)容產(chǎn)業(yè)面臨C2M革命，行不行？
“當然不行，機器很蠢。”如果你這樣想，那么很遺憾，你注定是看不到明天的太陽了。
“當然行。”如果你這么想，那么祝賀你掉進坑里了。
真實的情況，你可能意想不到。
一、內(nèi)容C2M之路本質(zhì)是走向個體化溝通
作為一個獨立的研究方向，推薦系統(tǒng)的源頭可以追溯到90年代初的協(xié)同過濾算法，中期的代表則是傳統(tǒng)的機器學習算法，比如Netflix大賽所推動的隱語義模型，現(xiàn)在則是更加復雜的深度學習模型。
近些年，深度學習突飛猛進，使得機器推薦變成了整個互聯(lián)網(wǎng)的太陽。在新技術的推動下，個性化溝通也變得更加可行，而且越來越接近單用戶溝通。
（一）協(xié)同過濾蹣跚起步
按照百科詞條解釋，協(xié)同過濾是利用用戶群體的喜好來為你推薦感興趣的信息，這些用戶要么興趣相投、要么具有共同經(jīng)驗，然后網(wǎng)站結合你的反饋（如評分），進行過濾分析，進而幫助別人篩選信息。
當然，用戶喜好不一定局限于特別感興趣的信息，特別不感興趣信息的紀錄也相當重要。協(xié)同過濾表現(xiàn)出了出色的效果，開始在互聯(lián)網(wǎng)行業(yè)稱王稱霸。
起先，協(xié)同過濾應用于郵件過濾。
1992年，施樂公司的科學家提出了Tapestry系統(tǒng)。這是最早應用協(xié)同過濾系統(tǒng)的設計，主要是解決Xerox公司在Palo Alto的研究中心資訊過載的問題。這個研究中心的員工每天會收到非常多的電子郵件卻無從篩選分類，于是研究中心便發(fā)展這項實驗性的郵件系統(tǒng)來幫助員工解決這項問題。
接著，協(xié)同過濾思路開始應用于內(nèi)容推薦。
1994年，美國Minnesota的GroupLens項目組創(chuàng)辦了一個新聞篩選系統(tǒng)，這個系統(tǒng)可以幫助新聞的閱聽者過濾其感興趣的新聞內(nèi)容，閱聽者看過內(nèi)容后給一個評比的分數(shù)，系統(tǒng)會將分數(shù)記錄起來以備未來參考之用，假設前提是閱聽者以前感興趣的東西在未來也會有興趣閱聽，若閱聽者不愿揭露自己的身分也可以匿名進行評分。作為最老牌的內(nèi)容推薦研究團隊，GroupLens于1997年創(chuàng)建了電影推薦系統(tǒng)MovieLens，還有性質(zhì)相近的音樂推薦系統(tǒng)Ringo，以及影音推薦系統(tǒng)Video Recommender等等。
后來，出現(xiàn)了另一個里程碑——電子商務推薦系統(tǒng)。
1998年，亞馬遜的林登和他的同事申請的基于物品的協(xié)同過濾（item-to-item）技術專利，是亞馬遜早期使用的經(jīng)典算法，一度引爆流行。
協(xié)同過濾算不算人工智能？從技術的角度來看，它也屬于AI范疇。但必須指出的是協(xié)同過濾算法比較弱智，無論是基于用戶的協(xié)同過濾，還是基于物品的協(xié)同過濾，推薦效果總是差強人意。
怎樣通過一個成體系的方法論來引導推薦系統(tǒng)的不斷優(yōu)化？如何才能把復雜的現(xiàn)實因素糅合到推薦結果中？攻城獅們一度非常非常頭大，重賞之下必有勇夫，后來，終于有人發(fā)現(xiàn)了更加靈活的思路。
（二）傳統(tǒng)機器學習開始加速
2006年，Netflix宣布舉辦Netflix Prize。Netflix是一家老牌的在線影片租賃網(wǎng)站，舉辦大賽的目的旨在解決電影評分預測問題的機器學習和數(shù)據(jù)挖掘問題。主辦方為此下了血本，宣稱對于那些能夠?qū)etflix的推薦系統(tǒng)Cinematch的準確率提升10%的個人或團隊，獎勵100萬美元！
Netflix在自家blog上披露了許多龐大的數(shù)據(jù)，舉例如下：
我們有幾十億的用戶評分數(shù)據(jù)，并且以每天幾百萬的規(guī)模在增長。
我們的系統(tǒng)每天產(chǎn)生幾百萬的播放點擊，并且包含很多特征，例如：播放時長、播放時間點和設備類型。
我們的用戶每天將幾百萬部視頻添加到他們的播放列表。
顯然，在這些海量數(shù)據(jù)面前，我們已經(jīng)不能靠由純?nèi)斯せ蛘咝⌒拖到y(tǒng)建立起來的分類標準對整個平臺用戶喜好進行標準化。
比賽開始一年后，Korbell的團隊以8.43%的提升贏得了第一個階段獎。他們付出了超過2000個小時的努力，融合了107種算法。其中兩種最有效的算法：矩陣分解（通常被叫做SVD，奇異值分解）和局限型玻爾茲曼機（RBM）。
矩陣分解作為協(xié)同過濾的補充，核心是將一個非常稀疏的用戶評分矩陣R分解為兩個矩陣：User特性的矩陣P和Item特性的矩陣Q，并用已知的數(shù)據(jù)構建這些向量，使用它們來預測未知的項。該算法在有效提高計算精度的同時，還能夠加入各種建模元素，使更多元化的信息融合進來，更好地利用大量數(shù)據(jù)。
然而矩陣分解也有不足。不足之處在于，矩陣分解和協(xié)同過濾算法一樣，都屬于監(jiān)督學習范疇，粗糙且簡單，適用于小型系統(tǒng)。擺在網(wǎng)絡巨頭們面前的問題是，如果需要建立一個大型推薦系統(tǒng)，協(xié)同過濾和矩陣分解則會花費較長的時間。怎么辦？
于是，一些攻城獅將眼光轉移到無監(jiān)督學習中。無監(jiān)督學習中的聚類算法的本質(zhì)是識別用戶組，并對這個組內(nèi)的用戶推薦相同的內(nèi)容。當我們擁有足夠的數(shù)據(jù)，最好使用聚類作為第一步，來縮減協(xié)同過濾算法中相關鄰居的選擇范圍。
隱語義模型運用了聚類分析方法，其一大優(yōu)勢是既可以做評分預測，又可以同時對文本內(nèi)容建模，使得通過內(nèi)容來進行推薦的效果得到較大提升。
Copyright © 2002-2022 浙江陽源科技有限公司 版權所有 網(wǎng)站地圖 浙ICP備16014577號 
