这种算法，目前在业内做的最为成熟的就是每日头条了，作为对方的投资人，袁旭自然知道，这也是对方的核心机密，自然不可能向微影项目组透露。
当然，天下不止一个张屠户。
DD搜索作为目前华夏第二大搜索引擎，其研发中心中自然也有负责搜索和推荐算法以及系统架构等后端技术研发的工程师。
自家公司，一纸调令，DD技术产品研发中心系统开发一部的负责人赵睿就摇身一变成为了微影项目组技术和后台总负责人。
事实上，看似“神秘”的所谓“算法”，其架构搭建的速度，远比想象中要快。
不过才半个月的时间，赵睿已经带领团队将内容分发的模型开发出来了。
袁旭听闻，小小的吃了一惊，作为一名技术外行，对于确切的产品参数，袁旭并不怎么懂，他只知道，上辈子看到过不少的“事后诸葛亮”的分析，认为字母乱跳公司，之所以能成功的在大厂们的环绕之下杀出重围，最重要的就是手里握着的那听上去很是神秘的“机器算法”。
这种类似于屠龙宝刀一般的利器，自己公司随便来个人，十来天的时间就搞定了？
这怕不是来忽悠我的吧？
袁旭第一时间就让赵睿带着项目组的技术团队到自己办公室来汇报情况。
“袁总，我们所说的算法模型，其实就是一个推荐系统，确切的说，应该是一个内容推荐系统。”
“具体的说，这个内容推荐系统，就是一个让用户对分发内容感到满意的函数。”
“这个函数中包含三个维度的变量。”
“第一是内容，无论是图片、文字还是视频，每种内容都有自己的很多的特征，需要考虑怎样提取不同内容类型的特征以便做好推荐。”
“第二是用户特征，包括各种兴趣标签，职业、年龄、性别等，还有很多模型刻划出的隐式用户兴趣等。”
“第三是环境特征。这是移动互联网时代推荐的特点，用户随时随地移动，在工作场合、通勤、旅游等不同的场景，信息偏好有所偏移。”
“这三个维度下，就构成了一个基本的推荐模型。”
“当然，一个优秀的工业级推荐系统需要非常灵活的算法实验平台，可以支持多种算法组合，包括模型结构调整，因为很难有一套通用的模型架构适用于所有的推荐场景。”
“我们的模型，采用的是LR和GBDT算法做结合，这样，一个标准的推荐模型就完整的建立起来了。”
“模型建立完毕后，我们还需要对其进行训练，模型的训练上，我们建议采用实时训练，实时训练省资源并且反馈快，这对信息流产品非常重要，用户需要行为信息可以被模型快速捕捉并反馈至下一刷的推荐效果。”
“我们目前计划采用基于storm集群实时处理样本数据，包括点击、展现、收藏、分享等动作类型。”
“整体的训练过程是线上服务器记录实时特征，导入到Kafka文件队列中，然后进一步导入Storm集群消费Kafka数据，客户端回传推荐的label构造训练样本，随后根据最新样本进行在线训练更新模型参数，最终线上模型得到更新。这个过程中主要的延迟在用户的动作反馈延时，因为模型推荐后用户不一定马上看，不考虑这部分时间，整个系统是几乎实时的。”
“当然，这会产生非常庞大的信息数据，我们需要对目前的系统底层做一定的优化，完善运维工具。”
赵睿对着自己做的一份界面很是简陋的演示文件，对着袁旭和宋瑞一众人一顿输出。
袁旭的感觉，嗯，听不懂，但是看上去，好像挺像那么一回事的，逻辑能够自洽。
“那么，现在的主要问题有什么呢？”
虽然具体原理听不懂，没关系，作为一名合格的老板，善于提出问题并给予解决才是最重要的不是吗？
“模型需要找一个场景进行训练，运行一段时间我们才能发现是否有问题，是否能够完整的实现我们理论上的理想结果。”赵睿说道。
“我明白了，你们是需要找一个机会来对这个模型进行测试对吧？”
“是的，也不完全是测试，它也需要学习，所以，需要找一个用户数量比较大的场景进行试验。”
“用户数量比较大？”袁旭略一沉吟，“倒也不用多费心，眼前不就有一个么，爱家网么！”
作为目前华夏第一大购物网站，爱家网连同爱家商城目前光卖家就有600余万，年成交金额高达1.1万亿，合1775亿美金。
这不正是推荐模型的最好的试验场么？
再者说了，爱家也需要这种推荐模型么！
“就是在收集用户信息方面会有一定的风险。”
赵睿末了提醒了一句。
“模型开始测试前一天，想办法让所有的爱家用户强制下线，重新登录，登录界面增加修改后的用户协议，协议中注明将会自动收集顾客浏览商品信息，便于更好的对客户进行更有针对性的推荐。”
本小章还未完，请点击下一页继续阅读后面精彩内容！