【技术】从技术角度解析罗志祥,蒋凡事件的关系( 二 )


【技术】从技术角度解析罗志祥,蒋凡事件的关系
本文插图
因为不同标记 , 所有人都是相关的
到这一步 , 我们会发现 , 推荐引擎的精准程度很大程度上取决于标记的精准程度 。 而标记的精准程度是由人工智能的模型来决定的 。 一个模型的好坏直接决定了用户体验 , 这也是为什么只有字节跳动这种有着丰富人工智能人才储备和经验的公司才能做好信息分发 , 喊出“信息创造价值” 。 简单来说 , 这个标记过程分为以下几步:
1. 靠让一些人对一些视频打分或者一些更高端的方法 , 得到一些用户对一些视频喜爱程度的数据 , 作为种子数据 。
2. 让计算机生成一种标记方式 , 充分反映出这些人对这些视频的喜欢程度 。
3. 让用户和计算机分别对一些新的视频打分 , 并比较 。
4. 重复2 , 3步 , 直到用户和计算机打出的分数极其接近 。
以上的整个计算过程 , 很多都是通过各种矩阵计算(matrix factorization)完成的 , 标记方法有类似梯度下降法(gradient descent)等等 , 通过各自的误差函数(error function) , 不断完善 , 这些计算结果会被存储到云端的数据库里 , 具体技术细节在这里就不细致展开了 。
这类App背后的推荐机制给了我们很多的启发 。 从视频制作者的角度来说 , 思考自己的潜在用户群感兴趣的标记并将这些元素融入到视频中 , 能更有效率地积攒粉丝和观看量 。 而对于用户来讲 , 意识到自己对于特定类别视频的偏好来源更能激励用户独立思考 , 避免陷入自己编织的“信息茧房”中 。 关于信息茧房的讨论 , 欢迎大家查看我之前发布的文章 。 最后希望大家都能成为信息的主动搜寻者 , 而不是被动接受者 , 以学习的眼光看世界 。


推荐阅读