首次揭秘：超过十几亿用户使用的推荐算法是怎样炼成的？捕捉用户体验的谜底

解密的源头还是要从Instagram说起：

Facebook表示，经C++优化的IGQL可在不牺牲可扩展性的情况下最大程度地降低延迟，减少计算资源的消耗。人工智能算法带动了一批精度数据密度的思考，在用户体验过程的全部识别和局部识别的确更能智能的为人类节省不少时间成本和精准化。工程师能够以“类似Python”的方式编写推荐算法，并补充了帐户嵌入组件，可以识别局部高度相似的配置文件，并将其作为帐户级信息的检索流程的一部分。

目前Instagram大约10亿用户中，超过一半的人每月都通过Instagram Explore来搜索视频、图片、直播和各种文章。可以预见，为这些用户构建服务基础的推荐引擎，需要负责整理上传到Instagram的数十亿条内容，这是个工程上的大难题，尤其是这些内容还是实时生成的。

其中设计到的预测账户内容相似性的功能演示：Facebook表示，在Explore中基于兴趣对账户进行排名，需要预测与每个账户相关度最高的内容，生成轻量级排名提炼模型，该模型在将候选账户传递给更复杂的排名模型之前，会对账户进行预选。利用较复杂模型的特征和输出的候选输入的知识，较简单的模型会尝试通过直接（和间接）学习来尽可能近似主排名模型。

其中最重要的运行包括两个阶段：候选内容生成阶段（也称为“采购”阶段）和排名阶段

了解可能吸引用户的帐户是哪些，这是确定哪些内容可能会被筛选出来的第一步。IGQL允许将不同的候选内容源表示为不同的子查询，这样Explore就可以在多种类型的内容源中为普通人找到成千上万的合格候选内容。

为了确保推荐内容的安全，适合所有年龄段的用户，系统利用信号来过滤可能不符合要求的内容。在为每个用户建立推荐列表之前，会由算法进行检测，过滤垃圾邮件和其他内容。

总结之后的识别算法会让人真的是有识别筛选的话，那么有利有弊就有他所存在的问题，过度喜好和点击同一类时时间，就造成“偏见”和“个性”而更忽视他的整体性。为了在新内容和现有内容之间保持“丰富的平衡”，Explore团队制定了一条规则，以促进内容多样性：添加惩罚因子，这一规则降低了来自同一作者或种子帐户的帖子的排名，因此用户不会在资源管理器中看到来自同一个人或同一种子帐户的多个帖子。所以规则存在，也尽可能的会智能排序和筛选。

我们以代际方式根据每个排名候选内容的终值模型得分，对相关度最高的内容进行排名。喜欢和关注度过度劲会陵城个别性差异，所以在了解用户，和对用户点对点的埋点外，还是有有可调节和内容的整体性调整。

读到这些和自己曾经浅尝辄止的学了一点类似Python的课程是有关系的，在呼唤科技智能的同时，又想在人类自主人性化担忧，所以说局限是在局部范围内的扩散。

当我们真正了解到事情的原本和他带来的客观内容，或者流量来说是更微乎其微的了。

拙见 。。。