内容推荐如何更懂你？Netflix的《捍卫者联盟》实验有些答案

仅仅Netflix个性推荐系统中运用到的机器学习算法，就有线性回归(Linear Regression)、逻辑斯特回归(Logistic Regression)、弹性网络(Elastic Nets)、奇异值分解(SVD ： Singular Value Decomposition)、(Restricted Boltzmann Machines)、马尔科夫链(Markov Chains)、LDA(Latent Dirichlet Allocation)、关联规则(Association Rules)、GBDT(Gradient Boosted Decision Trees)、随机森林(Random Forests)、矩阵分解(Matrix Factoriza)，并且名单还在不断增加。

这里不讨论每一种算法具体给内容推荐带来的价值，但是想表明两点：没有能解决所有问题的算法，组合才是硬道理;算法模型间的结果互制，是确保Netflix推荐质量高的秘诀。

总结一下Netflix对机器学习等AI算法的态度，可以归为三点：

1.对新算法保持敏感和饥渴，对已有算法创新保持乐观。

2.愿意在多个产品功能树上以使用算法矩阵。

3.严格的算法测试。

(Netflix测试内容推荐类算法的结构逻辑)

当然Netflix的推荐引擎绝非完美，还是经常有各种bug出现，但其构造推荐引擎的整个故事还是值得我们多想一些。

在具体技术之外的产品战略层面，Netflix带给AI产品应用的启示在于，“有AI”和“有很好用的AI”真的是两码事。

大量的硬件部署、运算支撑、框架开发、算法创新、应用测试以及对整个体系严苛的检验，都是巨大的投入成本。AI虽然能解决问题，但目前情况下还不能“很便宜”的解决问题。真的要投身AI，必须要对成本和投入有足够正确的认知。

具体到内容推荐引擎上，“根据你刚刚点击的关键词推荐”和“根据你推荐”，也是两码事。

好了，现在笔者要去回顾一遍《复联》，等等《蜘蛛侠》，刷刷《惩罚者》的消息了——希望这些可以减缓《捍卫者》带给我的打击与伤害…..

（编辑：PHP编程网 - 黄冈站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!