艾因拉赫在哪:推荐引擎：未来互联网的发动机 | 知识分享 - 阿里味儿--品阿里之味, 修阿里之道 - ...

来源：百度文库 编辑：九乡新闻网 时间：2024/04/30 14:12:51

推荐引擎：未来互联网的发动机

管理提醒: 本帖被 张桥刚 从 知识分享 移动到本区(2011-01-22)
在群体交互的过程中，“内容”在不断地产生，比如浏览记录、点评数据；但这些“内容”的价值挖掘，才是最核心的东西


　　段永朝/文
　　登上《财富》杂志封面人物，历来是商界精英成功的一个显著标志。
　　2010年11月，这期杂志的封面人物是50岁的里德•哈斯廷斯(Reed Hastings)。作为美国最著名的流媒体影视播放服务商Netflix的创始人和CEO，哈斯廷斯的名字排在了福特CEO穆拉利、苹果创始人乔布斯、Facebook创始人扎克伯格等50位业界叱咤风云的精英之前——他被誉为“群星中的俊杰”。
　　对这家成立于1997年的老牌电影租赁服务商来说，过去的10多年里，Netflix更多的是应对“被挤出市场”的威胁，来自Blockbuster、沃尔玛、苹果公司或其他竞争的一次又一次的严峻挑战。《财富》周刊的封面报道中说，如狼似虎的对手们早就想把哈斯廷斯“赶出业界，让他绞尽脑汁重起炉灶，或让他提前退休，打发他回家消磨时光。”
　　无独有偶，2010年12月11日，在《时代周刊》评选出iPhone十大流行应用中，Netflix提供的即时影视播放服务Instant Netflix名列榜首。
　　能够在超过30万种iPhone应用中脱颖而出，拔得头筹，Netflix所依赖的法宝，正是其历经10余载打造的“秘密武器”——协同过滤推荐系统。
　　截止2010年底，Netflix公司的年收入逾20亿美元，注册用户已经超过了1730万，付费用户则超过了500万。每天有400万部电影或电视节目，通过各类终端，呈现在消费者面前，并得到消费者的点评推荐。迄今为止，Netflix已经积累了30亿条点评数据，这座巨大的数据“金矿”，配上自行研发的推荐引擎Cinemath，正成为Netflix公司稳健财源的巨大引擎。
　　交互没问题，问题是谁跟谁交互？
　　2004年有两个概念响彻互联网界，一个是电子科技出版商Tim O’Reilly提出的Web2.0，另一个是《连线》杂志主编安德森提出的“长尾理论”。Web2.0让“交互”、UGC（用户产生内容，User Generation Content）成为互联网掘金者津津乐道的“法门”；长尾理论，则直观地把“个性化消费”诠释得淋漓尽致。
　　越来越多的电子商务、娱乐、餐饮网站，迅即改变了他们聚集人气、吸纳眼球的方式，从不辞辛苦地“堆积材料”、“酷图快评”，转向了“让消费者做点什么”：“顶”和“踩”成了消费者意见表达的标准动作；热门榜单，成了页面边栏的“标准配置”；关联阅读和链接，成为黏着眼球、延长页面驻留时间的经常手段……
　　不幸的是，在大大改善了网页的浏览体验之后，绝大多数互联网站的思路，被“吸引更多的眼球”所绑定，他们热衷于竞价排名、SEO（搜索引擎优化），热衷于把“交互”的火力更多地引向网站自身，沉醉于点击率、浏览量、驻留时间，甚至孜孜不倦地切分多个页面、制造更炫的Flash动画、制造更多的插件并相互攻讦。
　　挖空心思堆积内容资源、变着法儿吸引客户眼球，却难以获得满意的“营业收入”，成为众多网站的“心头之痛与惑”，他们念叨着一个解不开的魔咒“商业模式”——殊不知，这“模式”并非是可以构造、设计出来，而是“涌现”出来的。
　　Netflix的推荐引擎，是一个绝好的范例。
　　让你喜欢的电影“跳”出来
　　Netflix公司早期是做DVD租赁生意的。1997年公司成立两年后，他们才确立了这种看上去“其貌不扬”的生意模式：用低廉的价格，为消费者提供他所喜欢的电影DVD租赁服务。
　　做这种生意很容易想到的是两点：一个是拥有巨大的片源；另一个就是拥有大量的潜在的消费者。剩下的事情，完全可以归之于标准版的MBA套路：制定价格、组建渠道、开展促销。
　　Netflix早期的做法也正是这么做的。不过，在日益暴涨的电影库和消费者数据的刺激下，他们在思考一个根本性的问题：如何让消费者喜欢的电影“跳”出来？
　　信息过载的直接后果就是，直截了当地得到所需要的信息，变得异常困难（这一点正是Google公司存在的理由）。即便千辛万苦地对信息进行分类、聚合、归档，也无法抵挡数据汹涌而来的恐惧（早期的Yahoo就是这么干的）。
　　Netflix想到了“网民的力量”。
　　按照最朴素的看法，人们接触电影、书籍、音乐的最佳途径，其实是“听朋友推荐”。这个看法一点都不新奇，日常生活就是这样。
　　不过，Netflix把它变成了“算法”，从此走上了正确的道路。
　　让消费者喜欢的电影，从海量的片库中“跳”出来，取决于三个因素：第一是消费者自身的口味和偏好；第二是某个电影的风格、剧情、艺术性、导演和演员；第三是环境的影响，比如当红的明星、密友的推荐、圈子的品位等等。
　　这三个因素错综复杂的关系，让“推荐”这件事情，在网站的运转方式上变得微妙起来。
　　在电影网站上，一旦你打算看点什么的话，让消费者感觉最爽的体验是：网站的绝大部分信息，自然地按照你所关注的方式，为你把喜欢的影片展现无遗，不必大费周折地东挑西选，你眼神所到之处，接触到的信息不多不少，善解人意。
　　这种体验的获得，需要转变过去对“交互”的认识。交互，并非是消费者和网站之间“打交道”的过程（虽然这很重要），而是消费者群体之间“打交道”、“相互浸润”的过程（这个的重要性更多体现在后台）。
　　Netflix推荐引擎的核心，叫做“协同过滤（CF）”。这种算法把过去沉积下来成千上万的用户点评数据，转化为对每一位消费者“口味偏好”、每一部电影“特征属性”的记忆，通过“猜出你的心思”来为你匹配最佳的“推荐列表”。
　　“交互”这一过程，在不同年龄、不同区域、不同职业、不同爱好的人群中，自动地“弥散”开来，每一个独立的个体之间鲜有直接“对话”的可能，但他们通过遗留在电影观赏中的“足迹”，无形中透露出的彼此喜好的异同，让电影下载和观赏，并非在“寡居独处”的情境下进行，而是加了许多跨越虚拟时空的“神游和意会”的愉悦。
　　群体智慧的价值
　　“人是群居的动物。”100年前英国昆虫学家William Morton Wheeler通过研究蚂蚁发现，“群居的动物”有一种奇特的天性，就是单独的个体行为看上去弱智笨拙，整体的行为有时候也显得杂乱无章，但在一定的尺度上看，蚂蚁部落总是会显示出“有秩序”的行为模式，比如觅食、迁徙、逃避攻击。
　　这种大量个体集聚的场合下，单独每个个体的能量其实十分有限，它们所采取的行动策略也十分简单：往往是参照左邻右舍，甚至有点“目光短浅”。
　　但令学者惊奇的是，集聚在一起的个体，彼此之间的“关联”和简单的信息交换，让他们的行为产生出高度的复杂性，决定了这个群体的整体结构和演化的路径。
　　这一点，是Netflix推荐算法的关键。
　　Netflix的Cinemath推荐算法，本身没有什么“野心”，它并不试图通过缜密的推理，直接为消费者把他喜欢的电影“拎出来”；它只是不停地根据消费者流露出的“蛛丝马迹”，不动声色地推测他的“口味和偏好”，并做了一个简单的假设：“物以类聚，人以群分”。
　　在群体交互的过程中，“内容”在不断地产生，比如浏览记录、点评数据；但这些“内容”的价值挖掘，才是最核心的东西。通过内容（数据）挖掘，抽取出映照消费者习性和物品属性的关联信息，抽取出群居的消费者之间的关联信息，这是营造信息生态的关键。
　　所以说，“基于用户的推荐（UGR）”，将在未来的互联网发展中，扮演极其重要的角色，这个角色就是打通“群体行为”与“自组织演化”之间的通道，实现某种“闭环”的群体进化的良性循环。■
推荐引擎：未来互联网的发动机 | 知识分享 - 阿里味儿--品阿里之味, 修阿里之道 - ... 腾讯实施安居工程 10亿元资助员工购房 | 窗外声 - 阿里味儿--品阿里之味, 修阿里之... 自然风光之西藏阿里066 高原之梦-走进阿里 [传奇]探秘阿里三围：一妻多夫的残留之地 心中的阿里 贺喜一的“十一品”（阿里） 《天上阿里》 围猎阿里 阿里奇观 阿里山茶 穆罕默德-阿里 阿里学院 野性阿里 阿里地区 阿里风光 马云：互联网不能只有百度腾讯阿里 西藏阿里：野生动物的天堂 @ 西藏阿里的“神山”“圣湖” 端详浙江之二：传奇的阿里神奇的网货 烤羊肉串的慈善家阿里木 “阿里他娘”是跳舞的？ 高血脂症的治疗 - 阿里医药网 互联网人才泡沫：百度腾讯阿里大打人才争夺战