第140章 算法演变史
第140章 算法演变史 (第2/3页)
当初在负责算法推荐时，陈博采用的是应用广泛的动态规划法，即将原问题分解成由各因素组成的子问题，通过求解子问题的答案反推出原问题的最优解。
举个例子，探讨不同情况下消费者购买需求变化，会先将影响消费者购买需求的变化因素逐一列举出来，分析得出结论，在汇总所有结论建立一个模型，得出最终解。
早期的计算机算法远没有这么先进，大约在零几年某度引擎制霸全网搜索的年代，当时的算法只停留在单线思维，处于搜瓜得瓜，搜豆得豆。
互联网广告投放业务的蓬勃发展变相推动了算法技术革新，每个人的喜好大不相同，如何把广告更精准地送达给目标人群，成了商家们考虑的首选。
以前把广告投放给1000万人，最终的转化率可能不足1%，在实现精准投放后，可以把50个广告分别投给50万人，后者的单价比前者便宜30%，但实际效果远胜几倍。
与其同时，购物算法也在悄然成熟完善，早期的万能某宝可没有猜你喜欢这种功能，每位用户的购物界面一模一样，导致刷单猖獗，想要出头盈利就必须占据首页版面。
当一位耳机发烧友购买了魔音耳机后，低端的算法系统会自动将其标注为耳机偏好群体，用户在下次登录界面时会收到同类的商品推荐，尽管他目前不需要这些。
而高端的算法系统会人性化很多，通过海量的数据运算，将魔音耳机和其他商品之间建立起联系。
陈博此前做过类似测试，系统会给不同的商品做出可能性预测，按大小排列组合出一套最优解进行用户推荐。
例如喜欢魔音耳机的人当中喜欢苹果手机的可能性高达87%，喜欢外星人电脑的可能性高达83%，喜欢雷蛇外设的可能性高达78%。
这样用户在下次打开APP时就会看到相关商品推送，观感体验远比之前清一色的耳机展好。
在高阶人性化算法中，APP索取的录音权限提供了极大便利，算得上是作弊器。
（本章未完，请点击下一页继续阅读）