快手抖音发作品怎么赚钱做短视频自媒体赚钱的步骤 _云知道

网络上有很多企业家的分享，他们爱讲一些宏观的东西，商业概念、组织理念、竞争准则，大家也很爱听，很多人花了不少钱去学习这些内容，想要打磨自己的底层逻辑。
但事实上，要把他们所说的抽象内容落实到业务里去，往往是一个很具体的过程。我们就以「效率与体验」为主题，通过商业化的案例来深入理解。
“企业到底是追求效率，还是追求体验”？这个问题在众多老板口中是哲学一般的存在，你肯定听过某某大佬提到：“只要坚持为用户创造价值，就一定能实现商业上的成功。”阿里价值观认为「客户第一，股东第三」，同样表达了这种观点。
总之，在老板视角往往是“两手都要抓，两手都要硬。”

前Facebook工程师宋一松定义了两者的区别：“推荐系统和计算广告是不同维度上的概念。推荐系统是一种技术，广告是一项业务。个性化推荐可以用在广告中，更可以用在别的产品层面。同时，个性化推荐只是计算广告的一个环节，一个完整的广告系统还需要其他很多重要的技术组件。”
这是一种非常准确的解释。
【个性化推荐】的核心目标是用户体验。基于大量历史数据尝试推荐用户最感兴趣的内容，包括广告。其中，用户体验的正向行为有“完播、点赞、评论、关注、分享、下载、打赏”等，抖音每日活跃6亿+用户，每个人刷出来的视频排序大概率都是不一样的，这与用户偏好、属性、实时热点都有关系。
从每个独立用户视角所看到的视频排序，一般都会经历【内容召回→内容粗排→内容精排】的过程，利用协同过滤、机器学习、深度学习等算法/策略来确保推荐的精准度。

由于平台不可能直接把数千万条视频、直播与用户的兴趣进行匹配、排序，所以先通过多种策略做内容召回（比如：兴趣标签、相似用户、热门内容等），先召回有限的候选集，再进行内容排序。

谷歌DNN模型的目标就是在给定YouTube用户历史行为与上下文的情况下，学习 user embedding 向量u，作为输入送到 Softmax分类器，用以生成初步候选集作为视频的召回结果。

谷歌论文：《Deep Neural Networks for YouTube Recommendations》
召回完成后，内容排序有很多种算法模型这里就不展开了，因为我也看不太懂。总之，老板那句“两手都要抓，两手都要硬”，并不是想象中那么简单。
最终，服务器向用户手机返回了排好顺序的视频，用户依次向下滑动，他的点赞、评论、观看时长等行为将被记录下来，用于未来模型训练，提升预测的准确度。以亿为单位海量的兴趣数据经过训练不断反哺到内容推荐与广告业务中去，呈现飞轮式增长。
计算广告如何更「高效」
刚才也提到，【计算广告】作为一项业务，其核心目标是「平衡」用户、平台、广告主三方的利益：