[[148037]]

在Facebook工作的時候做的是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)，廣告是一項業(yè)務(wù)。個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，個性化推薦只是計算廣告的一個環(huán)節(jié)，一個完整的廣告系統(tǒng)還需要其他很多重要的技術(shù)組件。

0. 個性化推薦在廣告之外的很多產(chǎn)品層面都有應(yīng)用

幾個常見的應(yīng)用領(lǐng)域：

有機內(nèi)容(organic content)的篩選與排序: Facebook，知乎，今日頭條的新鮮事都是個性化排序的結(jié)果。Spotify也是類似的例子。個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“你可能認識/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：這個就比較接近廣告了。

1. 廣告系統(tǒng)也不僅僅只有個性化推薦

一個完整的廣告系統(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] 個性化推薦：在眾多符合條件的廣告中選擇最合適的一個。
• [算法] 決定在哪里放廣告：這在以前其實不是個事，因為就幾個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位置放廣告其實是個挺有學(xué)問的事。放高了影響用戶正常體驗，放低了沒人看得到。這大該就是微信口中的“實時社交混排算法”吧。
• [算法] 定價：放的這個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，有多少個其他廣告一起競價，等等。

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

2. 個性化推薦不一定非要是機器學(xué)習(xí)

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

Amazon和Netflix最早的推薦系統(tǒng)就是item-item的算法。本質(zhì)上是基于用戶評價計算任何兩件商品的相似度，生成一個巨大的二維矩陣。很難說這是機器學(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，以至于基于機器學(xué)習(xí)的實現(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，基于此生成個性化推薦。連機器都沒怎么用。

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