推荐算法又更新了吗

① 豆瓣FM 的推荐算法是怎样的

豆瓣FM的推荐算法没有停止，反而是在不断演进当中，伴随着它成长的用户，会慢慢发现越来越多的惊喜与满意。豆瓣FM是中国互联网实践个性化服务的一个很好的土壤，其中糅合了包括算法、ui/ue、数据清洗与整合、音频分析技术、用户行为分析、编辑与运营、后台架构等等大量的因素，即便是推荐算法也只是算法技术中的一部分。单论推荐算法，就最简单的算法，也会极大地受到其它因素的影响，比如单曲推荐功能、新版的上线，对于算法的学习与积累都会起到极大的正面作用。

② 网易云的音乐推荐算法适用于其他软件吗

网易云音乐推荐算法不适用于其他软件。

很多人在使用网易云音乐时，会感觉推荐音乐很好，质量高听起来舒服。于是到网上去搜索，发现了几种推荐方法。这时候我们要注意一个问题，那就是网上言论并不是公司内部答案，大多数内容都是以相似度出发，用两三首歌曲举例。事实上，一个平台有众多歌曲，一个流行歌手少说也有几十首歌曲，算法并没有想象中那么简单。就算固定答案，随着版本更新，也会出现许多不同算法。

3、并非万能

在大多数情况下，推荐算法都可以拿捏住用户心思，毕竟平台拥有大数据，辨别用户想法并不难。可不是所有人，都拥有同样一种想法，有人觉得平台推荐内容准确，有人觉得推荐会造成麻烦。即使优化再完美，也无法满足所有人。

③ 百度算法，多久更新一次啊

每次网络更新的算法，都是基于之前的版本更新，不断优化对的。
网络经常更新算法，只不过是在有大的改动时，才会发公告告之。

④ 研究生 推荐算法还值得研究吗

值得。
推荐算法是计算机专业中的一种算法，通过一些数学算法，推测出用户可能喜欢的东西，应用推荐算法比较好的地方主要是网络。。
个性化推荐概念的首次出现是在1995年3月的美国人工智能协会上，由卡耐基梅隆大学的RobertArmstrong等提出了个性化导航系统WebWatcher。

⑤ 论淘宝搜索推荐算法排序机制及2021年搜索的方向。

[写在前面]淘宝搜索引擎至今反复多次，搜索顺序也从最初的统计模型升级到机械学习模型，到2010年为止没有标签没有基础标签，随着计算能力的提高，2010年后开始挖掘用户的基础标签，从3年到2013年开始使用大规模的机械学习和实时特征
但你有没有想过为什么2016-2017年的两年是各种各样的黑搜索盛行的一年，为什么今天几乎消失了？
最根本的原因是从统计算法模型到机械学习模型的转型期。
说白了，这时不收割就没有收割的机会。因为统计模型即将退出历史舞台。
因此，各路大神各自扩大了统计模型算法中的影响因素。统计算法无论在哪里，点击率和坑产都很容易搜索。
那两年成了中小卖家的狂欢盛宴，很多大神的烟火也是旺盛的。
今天推荐算法的第三代使用后，加上疫情的影响进行了鲜明的比较，真的很感慨。
淘宝真的没有流量了吗？电器商务真的做不到吗？还是大家的思维没有改变，停留在2016-2017年的黑搜宴会上不想醒来？
2017年、2018年、2019年是淘宝推荐算法反复最快的3年，每年的算法升级都不同，整体上到2019年9月为止统计算法模型的影响因素还很大，从2019年下半年开始第三代推荐算法后，全面的真正意义进入了以机械学习模型为中心的推荐算法时代。
各路大神也无法验证，加上百年疫情的影响，很多大神的隐蔽布也泄露了。
基本上以统计模型为主，训练基本上没有声音，典型的是坑产游戏。
如果现在还能看到的话，基本上可以判断他不是在训练，而是在制作印刷用纸，一定会推荐使用资源，资源是多么安全。
刷子的生产增加真的没有效果吗？不是我以前的文章说:不是不行，而是从坑产的角度思考，而是从改变竞争环境的角度思考，用补充书改变竞争环境，改变场地，有新的天地，任何手段都要为商业本质服务。
正文
概述统计算法模型时代。
统计模型时代搜索引擎的排名是最原始的排名思考，如果你的类别不错，关键词比较正确，就能得到很大的流量，当时产品需求少，只要上下架的优化就能使产品上升。
到2016年为止没有坑产游戏吗？黑色搜索的效果不好吗？其实，什么时候坑产是最核心的机密，谁来教大家，什么时候教的最多的是类别优化，关键词优化，大部分优化都围绕关键词，电器商的老人想起了你什么时候得到关键词的人得到了世界。
有人告诉我做坑产，关键词找到生意也来了。什么时候知道坑产也没有人给你刷子，大规模的补充书也出现在黑色搜索盛行的时期。
为什么关键词者得天下？
搜索关键词是用户目前意图最直观的表达，也是用户表达意图最直接的方式。
搜索的用户购物意图最强，成交意愿也最强，现在搜索也是转化率最高的流量来源。
统计时代关键词背后直接依赖的是类别商品，只要制作类别和关键词分词即可，哪个时代最出现的黑马通常是类别机会、关键词机会、黑科学技术机会。
最基本的是商业本质，什么时候产品需求少，没有很多现在的类别，自己找类别，现在想想什么概念。
记得什么时候类别错了，搜索也可以来。如果你的商品点击反馈好的话，错误的类别没有什么影响，现在试试吧
搜索类是搜索的基础。
什么时候能称霸，背后有商业逻辑，用户行为数据好就行了。
但无论如何发展检索都离不开关键词。例如，上述关键词是用户表达意图的最直接的方法，是当前消费者的检索行为和购买行为发生了根本性的变化。
检索依然根据消费者的行为数据和关键词来判断需求，这就是机械学习模型时代。
机器学习模式时代-推荐搜索算法。
现在的商品体积和消费者购物行为的丰富性，统计算法不能满足检索的本质要求。
所以现在搜索引擎开始发展深度学习模式更精细的建模-推荐搜索算法，搜索排名更智能。
在此重点讨论推荐检索算法，
2017、2018、2019是推荐检索算法真正意义发展的3年，3年3个系统版本每年更换一次，很多电器商人都不知道头脑。
推荐检索算法和统计算法模型的最大区别在于，Query的处理能力和算法有召回机制
简单表示推荐算法的程序:
1:对检索关键词进行分词、重写的处理进行类别预判
2:根据用户信息，即用户以前的行为数据记录和预测的性别、年龄、购买力、店铺喜好、品牌喜好、实时行动作等信息存档
3:根据检索用户信息，根据检索用户以前的行为数据检索引擎和预测的性别、年龄、购买力、店铺喜好、品牌喜好、实时行动作为等信息存档3:根据检索用户信息的检索用户信息
也就是说，在第一关召回阶段基本上与统计模型时代的最佳化途径相同，核心是标题分词和类别，现在最大的区别是根据用户信息推荐最佳化，这是标签和正确人群标签图像最佳化的基本意义。
为什么现在一直在谈论标签，谈论人标签图像？入池实际上是为了匹配真正的消费者用户信息，通过直通车测试来判断人群也是为了通过性别、年龄和购买力来优化匹配真正的消费者。
召回机制:
通过构建子单元索引方式加快商品检索，不必经历平台上亿级的所有商品。该索引是搜索引擎中的倒置索引，利用倒置索引初始筛选商品的过程是召回阶段。
在这个阶段，不会进行复杂的计算，主要是根据现在的搜索条件进行商品候选集的快速圈定。
之后再进行粗排和精排，计算的复杂程度越来越高，计算的商品集合逐渐减少，最后完成整个排序过程。
主要召回路径分为
1:语言召回
2:向量召回
这些都是商业秘密不方便的说明，有兴趣的是学习我们的在线会员课程标签重叠游戏6是基于语言和向量召回的基础逻辑实战落地的课程。
下一阶段进入粗行列，粗行列受这些因素的影响:
粗行列作为召回后的第一个门槛，希望用户体验以时间低的模型快速排序和筛选商品，第一关系将过滤到不适合本次检索词要求的商品
为了实现这个目的，首先要明确影响粗排名得分的因素
1:类别匹配得分和文本匹配得分，
2:商品信息质量(商品发布时间、商品等级、商品等级)
3:商品组合得分
点击得分
交易得分卖方服务商业得分
在粗排列框架下，系统粗排列算法根据商品类别的预测得分进行得分
点击得分交易得分
交易得分卖方服务商业得分粗排列框架下，系统粗排列的大排列
最后是精排，检索顺序的主要目标是高相关性、高个性化的正确性。
每个用户的喜好不同，系统会根据每个用户的Query结合用户信息进行召回。然后通过粗排后，商品数量从万级下降到千级。
千级商品经排后直接向用户展示，搜索过程中商品集合的思考和具体变化如下图

前面的召回、粗排主要解决主题相关性，通过主题相关性的限制，首先缩小商品集合和我们的在线会员课程标签
精排阶段系是真正系统推荐算法发挥真正威力时，应根据用户行为反馈迅速进行机械学习建模，判断用户真实性、准确性和可持续控制性。
为什么现在的游戏和黑色技术暂时出现，核心是系统算法模型机械学习模型，系统分析用户有问题，不正确，不稳定，维持性差，可以迅速调整。
也就是说，即使发现脆弱性，研究快速有效的方法，系统也会根据你精排阶段的用户行为迅速分析学习建模，发现模型有问题，你的玩法就结束了。
猜机器学习建模的速度有多快？
想玩黑色的东西早点死去吧。
现在使用的检索顺序模型主要是
CTR模型和CVR模型，具体模型过于复杂也不需要深入，但影响这两种模型的最基本因素是用户行为数据
真的不能假的，假的也不能假的算法模型越来越智能化，算法越来越强，只有回归商业本质才能真正解决算法模型背后真正想解决的问题，算法基于商业逻辑。
2021年搜索向哪个方向发生变化:
2020年电器商人和蚂蚁是不平凡的一年。2020年也是蚂蚁从神坛上拉下来的元年，现在蚂蚁有各种各样的黑色。
基于中小卖家的走势无疑是阿里必须正面面对的现实。
如何让中小卖家回流或留在平台上，搜索该怎么做？
检索一定是基于三方的考虑，买方、卖方和平台本身，现在市场上又开始提倡坑产搜索逻辑，坑产妖风又开始，根据推荐搜索算法逻辑来谈这个问题。
为什么坑产思维是不死的小强，每次危机都会跳出来。
以统计模型为中心的坑产时代是淘宝从2003年到2015年一直使用的搜索算法模型长达13年。
同时也是淘宝和中国网分红的野蛮生长期，统计算法模式让太多电商赚钱。除了
之外，十年的奴役思维已经习惯了，在电器商圈，坑产游戏一定有人相信，其他人不一定被认可。所以，我们夹着尾巴发展的原因，时间真的可以证明一切，不用多说，做自己。
习惯性思维加上特殊时期的赚钱蝴蝶效应，使许多电器商人活在历史的长梦中。正确地说，统计算法模型的真正废除是在2019年下半年。
同学说坑产永远有效，我也这么想。
永远有效的是起爆模型坑产权重驱动和统计算法模型中的坑产排名不同。
起爆模型的坑产要素永远有效，这永远不会改变。
但是，如何有效地加上这个起爆模型的坑产权重，并不像模仿购物的意图那么简单。
坑产游戏在2021年绝对不行。淘宝不会把现在的算法系统换成15年前的。
基于三方利益:
购买者体验
卖方利益
平台的发展
搜索肯定会向高精度和高控制性发展。以标签为中心的用户标签图像仍然是影响流量精度的基本因素。
必须从标签的角度考虑和优化种子组的图像。
通过种子组的图像向相似人扩展到叶类人，业界喜好人最后向相关人扩展也是扩大流量的过程渠道。
基于推荐搜索算法逻辑:
精密排列阶段算法更强，精度更高，转化率更高，持续稳定性更强。
基于中小卖方流通的现状，优化精排阶段并非中小卖方能够简单接触。
推荐算法从搜索排名阶段出现在哪个阶段？
个人判断
一是召回阶段
二是粗排阶段
上述提到召回阶段的算法简单复盖商品为万级，排序规则也比较简单，中小卖方在召回阶段提高精度尤为重要。
在这个万级商品库中，如上下架的权重上升，中小卖方有机会上升到主页，从子单元的索引召回中寻找机会。
或者根据中小卖方的新产品和中小卖方的店铺水平进行特别优先搜索推荐，使中小卖方的新产品在低销售状态下显示，可以实现锦囊算法。
中小卖方有机会搜索主页，不调用用户信息直接打开主页的展示权可能是中小卖方最大的支持。
根据召回阶段的用户行为数据，在粗排阶段以比例融入用户信息，即标签的影响。
在初始召回阶段，类别和分词权重，看业者主图场景反应背后的人们反馈，用系统引导，给中小卖方真正参考的流量方向和成交方向。
谁疯狂地印刷用纸直接关闭黑屋，理解印刷用纸优化竞争场景，从优化人群的角度出发，适当放宽处罚。
通过召回阶段，得到的用户信息会影响粗体结果。在这个阶段，用户信息的权重比例不应该太大，流量卡也不应该太死。
在各检索顺序阶段用户信息，即用户标签对检索的影响权重的问题。
这个方向我的个人观点是可能的。

⑥ 百度快照算法又改了吗

应该是网络又更新了吧，你自己看看。

⑦ 知识+数据+算力：算法进化升级的路径是什么|德外独家

算法融入信息传播，带来了传播的深刻变革。推荐算法基于大数据和人工智能技术，通过算法模型，进行信息与用户的匹配，成为智能传播中的主导力量。

然而，经过算法过滤选择后，匹配给用户的信息对个人认知、判断以及 社会 性的负面影响，引起了广泛的关注和担忧。

作者从智能传播中算法的缺陷入手，围绕算法优化和升级，与人工智能行业专家、国家广播电视总局广播电视科学研究信息与安全技术研究所王磊博士，展开探讨，以期为算法进化找到可行路径。

以下为两人对谈的详细内容。

推荐算法只能依从用户

个人的偏好、需求吗？

于烜： 算法融入信息传播，改变了信息采集、生产、分发和反馈等过程，带来了传播的深刻变革。在移动互联网时代，算法主导信息分发，算法的个性化推荐（简称推荐算法），有效应对了信息超载带来的分发危机，解决了海量信息与用户间的供需匹配问题，优化了生产和消费的资源配置效率，无疑是一种先进的技术和生产力。

但是， 推荐算法存在一个明显的缺陷。 我们知道在现代 社会 中，传播的一个重要功能是实现 社会 整合，以传统媒体为代表的大众传播发挥了 社会 整合的作用，传媒能够把不同阶层、人群、族群凝聚起来，形成 社会 共识，这就是媒体公共性的体现。

然而，个性化算法推荐，依据的是网络中用户本人或相似人群的个人兴趣、爱好、习惯、需求，只体现了个性，缺少公共性， 公共性缺席是算法主导信息传播的一个明显的缺陷。推荐算法只能依从用户个人的偏好、需求吗？

王磊：从技术上说，算法是一种中介， 通过算法模型，将信息与用户进行匹配，本质是要解决信息和用户的精准匹配问题。无论是传统的机器学习算法，还是近年来兴起的深度学习算法，通过用户个人属性和网络应用使用过程中的数据记录，挖掘用户个人兴趣、需求， 最终达成个人信息需求的精准匹配，这就是算法的使命。

当算法融入传播，算法主导的短视频平台、资讯平台成为了媒体，作为媒体，需要传播主流价值观，需要承担媒体公共性责任， 除了个性化的推荐，在算法中应该体现出公共性，这是从媒体角度、传播角度，对算法的要求。

于烜： 目前的智能传播中，算法并没有回应这样的要求。也就是说，从传播角度看，目前普遍应用的个性化推荐算法技术自身是有缺憾的，换句话说， 仅仅依靠推荐算法技术进行的传播，是有缺陷的，需要进化。

王磊： 对，可以这样理解。

于烜： 近年来，智能传播中，经过算法过滤选择后匹配给用户的信息，对个人认知、判断以及 社会 性的负面影响，引起了传播学研究的关注，比如信息茧房、算法囚徒、圈层化，这些研究都提示了算法带来的风险。所以无论是从算法技术自身的缺憾，还是算法在现实传播中带来的问题两个层面看，算法需要升级。

王磊： 确实如此， 推荐类算法需要从算法技术路线和网络架构上进一步升级， 以尝试解决上述问题。

算法是否能够发现用户更全面多样的内容？

于烜： 大众传播时代的信息也是要过经过媒体过滤选择的，但是在新闻专业主义的准则下，信息选择有明确的标准，要求客观、平衡，以尽可能反映 社会 现实。

但是，算法的根本逻辑是流量，以流量为目的进行信息匹配。研究表明，流量偏向情绪性、故事性、戏剧性内容，客观、平衡这一新闻传播大厦的基石已经被流量冲垮了。

100年后的今天，被算法选择的信息失衡、失真，拟态环境和现实世界不是越来越接近，相反却是越来越偏离了。

算法模型中，是否可以将客观、平衡等专业价值观要素导入进去？也就是说不仅仅找到迎合用户表面的喜好，也能发现他潜在的需要，或者是他愿意了解、也应该了解的更全面的这样一些内容？在实现过程中面临的困难和挑战又是什么？

王磊： 我想可以尝试突破信息传播失衡、失真的现状，但是实现起来难度很大。 一种办法是算法+规则，即以现有深度学习算法模型为基础，将专业价值观理念设定为相应规则，两者结合形成新的计算模型，进行相应信息匹配。 但是，现实中难度很大。

还有一个办法，需要通过技术演进来实现。从人工智能发展历程看， 现在正处于弱人工智能时代， 即“数据+算法”的时代，这一时期通过大量投喂数据，算法精度较过去提高了很多，但是 存在一个难以破解的核心问题——无法解决海量数据之间的深层次语义层面的关联关系，算法的泛化能力比较差， 简单说就是在一个数据集中的模型，运用在另一个相似数据集中，其效果会变差。

只有当技术演进到 “知识图谱+算法” 阶段，能够在数据间找到并建立起相应的关联关系，破解数据语义层面的联系，才有可能挖掘出用户潜在的、多层次的需要，改变目前简单迎合的状况。

清华大学张钹院士提出的第三代人工智能，即 知识+数据+算法+算力， 或许未来可以从这个方面突破，一定程度上弥补当前信息传播中推荐类算法的缺陷。

第二代人工智能阶段，

如何推动综合评价体系建立？

于烜： 算法驱动的内容平台通过组织生产和算法分发，已然成为了智能传播时代的主体，因此说需要通过规则导入，促使算法进化。

目前个性化推荐算法，强调的是迎合用户个人个性化的精度，是不是可以从内容端的广度进行考量， 比如说，内容的多样性，让观点多样、信源多样、品类多样的内容达到用户？也就说是否可以通过内容的广度，来体现新闻传播客观、平衡。

王磊： 是的， 除了精度，算法的广度应该成为一个评价指标，如对内容的非歧视性关联推荐等。现阶段综合评价指标的合理设计将引导算法不断地优化升级。 当然，这些评价标准的制定也需要传播学的专家加入，共同探讨。

于烜： 如果要对今天的对话做一简短小结，我想说，面对算法技术的缺憾及引发的问题，算法无疑需要进化。而算法进化有赖于算法技术自身的演进，有赖于算法掌控者的伦理培养，有赖于监管部门的标准规范。同时，这需要学界、业界、政府共同努力。

编者按：

作者：于烜，北京广播电视台高级编辑、新闻传播学博士，德外5号特约作者。

⑧ 抖音推荐算法又变了!如何应对

积极应对
平台已经流量增长乏力了,他希望我们深耕一个垂直领域,深耕一群粉丝,所以现在的直播推荐算法之中,增加了UV值、涨粉率。