[[148037]]

在Facebook工作的時(shí)候做的是newsfeed ranking （新鮮事排序），算是一種推薦系統(tǒng)吧，而且newsfeed中也包含了廣告（Feed Ads）。說說我的理解。

結(jié)論：推薦系統(tǒng)和計(jì)算廣告是不同維度上的概念。推薦系統(tǒng)是一種技術(shù)，廣告是一項(xiàng)業(yè)務(wù)。個(gè)性化推薦可以用在廣告中，更可以用在別的產(chǎn)品層面。同時(shí)，個(gè)性化推薦只是計(jì)算廣告的一個(gè)環(huán)節(jié)，一個(gè)完整的廣告系統(tǒng)還需要其他很多重要的技術(shù)組件。

0. 個(gè)性化推薦在廣告之外的很多產(chǎn)品層面都有應(yīng)用

幾個(gè)常見的應(yīng)用領(lǐng)域：

有機(jī)內(nèi)容(organic content)的篩選與排序: Facebook，知乎，今日頭條的新鮮事都是個(gè)性化排序的結(jié)果。Spotify也是類似的例子。個(gè)性化推薦做的好不好直接影響產(chǎn)品的活躍度(engagement)和存留(retention)。

一些Growth Hack也極為依賴個(gè)性化推薦的質(zhì)量：最為常見的例子就是Facebook/知乎上“你可能認(rèn)識(shí)/感興趣的人”。關(guān)注的人越多質(zhì)量越好，用戶存留的可能性就越大。

Amazon和Netflix的推薦購買/觀看：這個(gè)就比較接近廣告了。

1. 廣告系統(tǒng)也不僅僅只有個(gè)性化推薦

一個(gè)完整的廣告系統(tǒng)，從廣告商投放廣告到用戶看到廣告，需要以下幾個(gè)重要組件：

• [面向廣告商的工具] 廣告商可以根據(jù)自己的需要定制投放人群：年齡，性別，地理位置，職業(yè)，興趣等等。
• [算法] 個(gè)性化推薦：在眾多符合條件的廣告中選擇最合適的一個(gè)。
• [算法] 決定在哪里放廣告：這在以前其實(shí)不是個(gè)事，因?yàn)榫蛶讉€(gè)能放廣告的固定位置（banner，頁面右側(cè)）。然而隨著Facebook發(fā)明了Feed Ads，在新鮮事里放原生廣告成了社交類產(chǎn)品的標(biāo)配。以微信為例，在朋友圈里的第幾個(gè)位置放廣告其實(shí)是個(gè)挺有學(xué)問的事。放高了影響用戶正常體驗(yàn)，放低了沒人看得到。這大該就是微信口中的“實(shí)時(shí)社交混排算法”吧。
• [算法] 定價(jià)：放的這個(gè)廣告該跟廣告商要多少錢。這受很多因素影響：放的位置高低，有多少個(gè)其他廣告一起競價(jià)，等等。

所以，個(gè)性化推薦只是整個(gè)廣告流程的一個(gè)小部分。不過，好的個(gè)性化推薦可以提高廣告的點(diǎn)擊率，從而增加產(chǎn)品營收。

2. 個(gè)性化推薦不一定非要是機(jī)器學(xué)習(xí)

很多人把個(gè)性化推薦等同于機(jī)器學(xué)習(xí)，甚至deep learning。這在嚴(yán)格意義上其實(shí)是不準(zhǔn)確的。個(gè)性化推薦本質(zhì)上是一組算法。這些算法可以是基于機(jī)器學(xué)習(xí)的，也可以是基于其他信號(hào)或者策略。比如說：

Amazon和Netflix最早的推薦系統(tǒng)就是item-item的算法。本質(zhì)上是基于用戶評(píng)價(jià)計(jì)算任何兩件商品的相似度，生成一個(gè)巨大的二維矩陣。很難說這是機(jī)器學(xué)習(xí)。

Facebook最早的新鮮事排序就是基于一些人工制定的規(guī)則，表現(xiàn)也挺不錯(cuò)，以至于基于機(jī)器學(xué)習(xí)的實(shí)現(xiàn)在很久之后才在A/B test中擊敗人工規(guī)則。

Pandora的曲庫是人工打標(biāo)簽，基于此生成個(gè)性化推薦。連機(jī)器都沒怎么用。

不過廣告系統(tǒng)中的個(gè)性化推薦一般都是機(jī)器學(xué)習(xí)，Supervise learning對(duì)廣告這方面有極為成熟的方案。