03 facebook推薦算法(Facebook用算法裁掉60名員工，如何看待這樣的“隨機裁員”現象？)

及，感興趣的也可自行學習。

雖然現在用的很多算法都是基于深度學習的，但是這些經典算法能夠讓我們對推薦系統的發展有一個比較好的理解，同時，更重要的一點——“推陳出新”，只有掌握了這些經典的算法，才能提出或理解現在的一些更好地算法。

社交網絡的核心推薦算法有哪些？

對好友推薦算法非常熟悉，有些積累。好友推薦算法一般可以分為下面幾類：

1、基于關系的推薦

基于關系的推薦，最近寫了一個專欄文章，具體介紹了常用算法，可以看下有沒有幫助，傳送門：買粉絲://zhuanlan.hu.買粉絲/gongwenjia/20533434

簡介：

a.社會網絡中，三元閉包理論，以及常用推薦算法

b.Facebook中的推薦算法是如何做的

2、基于用戶資料的推薦

3、基于興趣的推薦

剩下兩個方面有時間再寫。

近來學習聚類，發現聚類中有一個非常有趣的方向—社交網絡分析，分享一下我的大致了解。這篇只是一篇概況，并沒有太多的公式推導和代碼，基本是用人話解釋社交網絡分析中的常用的幾種算法。詳細到每個算法的以后有空再把詳細的公式和代碼補上。

社區發現算法，GN算法，Louvain算法，LPA與SLPA

Louvain算法思想

1.不斷遍歷網絡中的節點，嘗試把單個節點加入能使模塊度提升最大的社區，直到所有節點不再改變

2.將第一階段形成的一個個小的社區并為一個節點，重新構造網絡。這時邊的權重為兩個節點內所有原始節點的邊權重之和。

3.重復以上兩步

LPA算法思想：

1.初始化每個節點，并賦予唯一標簽

2.根據鄰居節點最常見的標簽更新每個節點的標簽

3.最終收斂后標簽一致的節點屬于同一社區

SLPA算法思想：

SLPA是LPA的擴展。

1.給每個節點設置一個list存儲歷史標簽

2.每個speaker節點帶概率選擇自己標簽列表中標簽傳播給listener節點。（兩個節點互為鄰居節點）

3.節點將最熱門的標簽更新到標簽列表中

4.使用閥值去除低頻標簽，產出標簽一致的節點為社區。

TikTok的核心技術是什么，竟讓美國科技巨頭無法復制？

TikTok的核心技術是什么，竟讓美國科技巨頭無法復制？TikTok相信大家都不陌生，作為一款在國內開發的短視頻APP。TikTok在今年的5月份全球下載量就已經突破了20億次。無論是在美國，還是在印度市場，TikTok都有著自己龐大的用戶群體。通過對于用戶所看視頻的推薦機制調整，TikTok已經訓練出了自己的推薦畫像。針對不同的用戶群體推送不同的內容，以此增加用戶與APP之間的黏性。基于龐大用戶的數據基礎，TikTok目前已經擁有了成熟的短視頻推薦機制。

近日，美國技術人員在接受Business Insider采訪時表示“如果TikTok的推薦算法不包含在本次交易之中，那么購買TikTok的公司也很難復制其成功模式。”簡而言之，TikTok基于美國用戶進行短視頻的推薦機制，已經成為了TikTok的最大底牌。收購TikTok的企業，如果沒有相關的算法和數據模式，也很難做到“成功”。

TikTok如何為用戶推送視頻？不妨先說一說TikTok，是如何通過算法來“投其所愛”的。個性化推薦機制，決定了TikTok為每位用戶推送不同的內容，根據TikTok公布的部分數據來看：主要通過：用戶互動、視頻信息、以及設備賬戶設置、國家設置和設備類型進行推送。個性化推薦其實在所有APP中都有自己的一套算法，在用戶的實際使用過程中。

TikTok通過多個維度對用戶使用的數據進行反饋、研究，直到塑造出一套完美的推薦模型，幫助用戶發掘自己喜歡的視頻。這也是很多人一旦打開APP，就要看使用很長一段時間的重要原因。連續推薦不同的內容，不僅能夠讓用戶擺脫審美的疲勞，更能加深用戶和APP的黏性。筆者認為 ，如果沒有一套完善的算法，TikTok就無法成為全球最大的短視頻平臺之一。從其進入美國市場占據的份額來看，無論是Face Book還是推特目前在短視頻領域，在自己的推薦算法都無法趕超TikTok。

如果TikTok并不打算出售自己的算法，那么這筆收購的項目還會有人買嗎？早在8月28日，商務部、科技部調整發布了《中國禁止出口限制出口技術目錄》，目錄中增加了“基于數據分析的個性化信息推送服務技術”條款，在這則新規出臺之后，TikTok的收購也被迫談判陷入了僵局。買家難以復制其成功的模式，也就代表著這款APP的上升空間將會大不如之前。但即便如此，美國很多企業仍舊加入了競購的名單之中，微軟、沃爾瑪、甲骨文等巨頭公司也開始合作進行競拍。

猜你喜歡是如何猜的——常見推薦算法介紹

自從頭條系的產品今日頭條和抖音火了之后，個性化推薦就進入了大眾的視野，如果我們說搜索時人找信息的話，那么推薦就是信息找人。搜索是通過用戶主動輸入索引信息告訴機器自己想要的東西，那么推薦的這個索引是什么才能讓信息找到人呢？

第一類索引是“你的歷史”，即基于你以前在平臺上對某物品產生的行為(點贊，轉發，評論或者收藏），尋找與你產生過相似行為的用戶所喜歡的其他物品或者與你喜歡的物品相似的其他物品來為你推薦。這一基于用戶行為相似的算法有：協同過濾算法、基于內容的推薦算法和基于標簽的推薦算法。

基于用戶的協同過濾算法是尋找與A用戶有相似行為的所有B用戶所喜歡的而A用戶還不知道的物品推薦給A用戶 。該算法包括兩個步驟：

-根據用戶所喜歡的物品計算用戶間相似度，找到與目標用戶相似的用戶集合；

-找到該用戶集合所喜歡的而目標用戶所不知道的物品。

那么，找出一批物品以后哪個先推薦哪個后推薦？用戶間相似程度大的先推薦，用戶對物品的感興趣程度大要先推薦。即假設A用戶與B用戶的相似程度為0.9，與C用戶的相似程度為0.7，用戶B喜歡物品a和物品b的程度分別為1和2，用戶C喜歡物品a和物品b的程度分別為0.1和0.5，那么先推薦物品b。多個用戶多個物品，只要擬定了用戶間的相似度和用戶對物品的感興趣程度，即可對物品進行打分并且進行綜合排序。

基于物品的協同過濾算法是根據用戶行為而不是物品本身的相似度來判斷物品的相似度 ，即如果物品A和物品B被很多的用戶同時喜歡，那么我們就認為物品A和物品B是相似的。該算法也是包括兩個步驟：

-根據用戶行為計算物品間的相似度；

-根據物品的相似度和用戶的歷史行為給用戶生成推薦列表。

與UserCF相似的是，同樣會遇到推薦的先后順序問題，那么ItemCF所遵循的原則是：物品間相似程度大的先推薦，用戶對物品的感興趣程度大要先推薦。假設用戶對物品a和物品b感興趣的程度分別為1和0.5，物品a與物品c和物品d的相似度分別為0.5和0.1，物品b與物品c和物品d的相似度分別為0.3和0.4，那么先推薦物品d。用戶喜歡多個物品，并且多個物品與其他物品都有相似的情況下，只要擬定了用物品間的相似度和用戶對物品的感興趣程度，即可對物品進行打分并且進行綜合排序。

協同過濾算法的核心都是通過用戶行為來計算相似度，User-CF是通過用戶行為來計算用戶間的相似度，Item-CF是通過用戶行為來計算物品間的相似度。

推薦算法很重要的一個原理是為用戶推薦與用戶喜歡的物品相似的用戶又不知道的物品。物品的協同過濾算法是通過用戶行為來衡量物品間的相似（喜歡物品A的用戶中，同時喜歡物品B的用戶比例越高，物品A與物品B的相似程度越高），而基于內容的推薦算法衡量則是通過物品本身的內容相似度來衡量物品間的相似。

假如，你看了東野圭吾的《解憂雜貨店》，那么下次系統會給你推薦東野圭吾的《白夜行》。假設你看了小李子的《泰坦尼克號》，系統再給你推薦小李子的《荒野獵人》。

該算法與前兩種不同的是，將用戶和物品之間使用“標簽”進行聯系，讓用戶對喜歡的物品做記號（標簽），將同樣具有這些記號（標簽）的其他物品認為很大程度是相似的并推薦給用戶。其基本步驟如下：

統計用戶最常用的標簽

對于每個標簽，統計最常被打過這個標簽次數最多的物品

將具有這些標簽最熱門的物品推薦給該用戶

目前，國內APP中，豆瓣就是使用基于標簽的推薦算法做個性化的推薦。

第二類索引是“你的朋友”，基于你的社交好友來進行推薦，即基于社交網絡的推薦。例如，買粉絲看一看中的功能“朋友在看”就是最簡單的基于社交網絡的推薦，只要用戶點擊買粉絲文章的“在看”，就會出現在其好友的“朋友在看”的列表中。

復雜一點的算法會考慮用戶之間的熟悉程度和興趣的相似度來進行推薦。目前，在信息流推薦領域，基于社交網絡進行推薦的最流行的算法是Facebook的EdgeRank算法,即為用戶推薦其好友最近產生過重要行為（評論點贊轉發收藏）的信息。

第三類索引是“你所處的環境”，基于你所處的時間、地點等上下文信息進行推薦。例如，我們看到很APP中的“最近最熱門”，就是基于時間上下文的非個性化推薦；以及，美團和餓了么這些基于位置提供服務的APP中，“附近商家”這一功能就是基于用戶位置進行推薦。高德地圖在為用戶推薦駕駛路線時，會考慮不同路線的擁堵程度、紅綠燈數量等計算路線用和路程距離再進行綜合排序推薦。

很多時候，基于時間上下文的推薦會協同過濾這類個性化推薦算法結合使用。例如，在使用協同過濾推薦策略的時候，會將時間作為其中一個因素考慮進入推薦策略中，最近的信息先推薦。

以上就是常見的推薦算法。作為產品人，我們不需要知道如何實現，但是我們必須知道這些推薦算法的原理，知道在什么場景下如何去做推薦才能提升推薦的效率，這才是產品經理的價值所在。

很赞哦!（81）