我觉得头条推荐算法不是很厉害。首先用推荐算法给用户推荐产品，根据用户画像给用户推荐产品和电影。现在广泛用于资讯、视频、视频推荐。现在很多平台都是用大数据的推荐算法给用户推荐更合适的内容，那么这个算法真的强大吗？推荐算法的核心A-分类器一个平台上有一千多万个内容。怎样才能准确找到自己喜欢的？通过你的喜欢/转发/停留/评论/不喜欢对用户进行分类，给你贴标签，把你归入某一类用户。
算法推荐怎么去理解？
现在的智能推荐功能，对互联网用户进行了精准的个人画像，在使用界面上千人千面，只对用户进行个性化的推荐。算法推荐使用户只接收自己感兴趣的内容，时间久了，立场观点和主观好恶更加被固化，从而将自己的生活桎梏于像蚕茧一般的“信息茧房”中。未来商业和技术的力量必将越来越强大，他们不断的分析你，讨好你，贴合你，试图让你在原本狭窄的世界里不可自拔，这个时候只有通过更广阔的世界、更有趣的人事、更奔放不羁的思维，你才能确保自己的自由了。
推荐算法，可以做什么？
推荐算法开始是用来给用户进行商品推荐的，根据用户画像给用户进行产品推荐、电影推荐；现在用得较多的是用于资讯、视频、小视频的推荐。比如你在刷抖音的时候你会发现，即使你没关注过这个作者但是你看过他的小视频，当他有新视频的时候你还是能刷到他的新视频；比如qq浏览器，当你点开视频观看，下面本来排好的序的视频也会在你查看当前视频到一定时间的时候，下方视频最新一条会变化，会插入了一条跟你当前观看视频相关的，那是因为从刚开始的离线推荐现在已经发展到实时推荐。
算法工程师的发展前景如何？
首先，从今年已经拿到offer同学的情况来看，开发岗的整体占比依然比较大，算法岗虽然有所复苏，但是竞争依然比较激烈，而且算法岗有两个变化，其一是算法岗的薪资待遇与开发岗的差距已经比较小了，其二是算法岗的编程能力要求有所提升，对于计算机大类专业的同学来说，这一变化也会增强自己的就业竞争力。站在产业发展趋势和技术发展趋势两个角度来看，未来算法工程师的就业空间会进一步扩大，而且算法工程师的能力边界也会逐渐扩展，这一点随着大数据技术开始逐渐落地应用之后，会有越来越明显的体现。
工业互联网会全面推动产业资源的数据化，而数据化的背后必然是价值化诉求，而这正是算法工程师主要的任务，所以未来算法工程师的价值会进一步攀升。前几年算法岗迎来了一个人才需求的爆发期，但是无论从需求规模，还是需求持久性来说，都存在一定的问题，因为更多的需求是一种“提前布局”，很多互联网公司仅仅是为了迎合市场的风口，在受到人工智能产品落地应用的限制之后，算法岗的人才需求也有了明显的下滑。
但是随着产业领域更多的企业实现了业务上云之后，大数据将逐渐开始落地应用，这个过程必然会促使企业从功能需求向数据价值化需求转换，而且在大数据发展的背后是人工智能技术的应用，这些都在夯实算法岗的发展基础，这一次的人才需求才是真正的业务需求，而不仅仅是提前布局，所以目前算法岗有所复苏也就可以理解了。总体上来说，算法岗的前景还是比较广阔的，算法工程师的成长空间也足够大，如果能够做好规划，未来可以在技术领域走得很远，也可以体现出自身更大的价值。
大数据的推荐算法真的很厉害吗？
现在许多平台都使用大数据的推荐算法来向用户推荐更适合的内容，那么这个算法本身真的很厉害么？A 推荐算法的核心——分类器一个平台上的内容何止千万，如何才能准确地找到你喜欢的那几条呢？把用户分类通过你的点赞/转发/停留/评论/不喜欢这此操作，为你打上标签，把你分类到某一类别的用户中。关键点在于如何设计这些用户操作和记录的“机制”，让用户做最少的动作就能获得最有效的信息，准确地把你分类到一个集中。
把内容分类对每个视频/文章/问答/图片打上标签，这时会用到AI的一些算法，去准确地识别内容并分类。B 推荐算法的难点数据量这里并不是说数据量越大越好，其实数据量过多也是算法的难处之一，涉及到如何存储/如何处理/如何解析等等，能很好地处理庞大的数据的算法是非常不容易的。计算能力手机上的软件就那么大，手机计算能力就那么点，信息处理的能力非常有限，大部分计算是网站后台服务器实现的，可是如何能够利用每一台手机这些小小地处理器，将部分信息进行预处理，也是很厉害的。
自净化能力如果单纯是喜欢看什么，就让什么火，那后果是非常严重的，如果那样，网络上恐怕会充斥着黄色/暴力/低俗这些内容了。所以推荐机制有一个很重要的能力，准确地识别的这些内容，并把它最快速度扼杀掉。总结一下大数据的推荐算法还真的是挺厉害的，想要做一个非常好的推荐机制，需要考虑的维度非常之多，需要处理的数据量非常之大，需要计算能力非常之强。
今日头条的机器算法推荐，是根据什么计算的？
头条的推荐算法不完全依赖粉丝数，所以即使你没有粉丝，也有可能在头条平台上创作出10万甚至上百万阅读量的爆款内容，那既然不依赖粉丝数，头条是如何推荐的呢？一篇文章发布后会经过一轮推荐周期：初审、冷启动、正常推荐、复审初审，一般是机器进行审查，我们在创作完成后也可以使用头条的灵犬进行测试，看看文章是否符合要求，每个平台的要求都不一样，你在头条上过审了，但是百家号不一定过审。
那机器审查些什么东西呢，主要是检查文章有没有“触雷”，其次是查重和原创保护检查。冷启动，过初审后系统把你的内容推送给一小批可能对你内容感兴趣的人群，然后根据这个人群的反应，比如说读完率、点赞互动评论的整体情况，对你进行下一轮的正常推荐，这一阶段非常重要。正常推荐，如果冷启动阶段，文章互动率比较高，点赞，评论都很好，收藏量也很多，那么系统就会给你加大推荐，推荐给更多的用户。
复审，当推荐到一定程度后，系统会给用户的反馈情况进行复审，比如说有人举报，或者负面评论过多，如果在复审种，发现你属于标题党或者内容过于负向，将系统将会不再推荐，这一阶段会有人工参与，这是你是否成为爆款的最后一步，很多一开始几万阅读，然后就不推荐了，就是在这一步被终止了。以下四类模型会对推荐起重要作用第一类是相关性特征，就是评估内容的属性和与用户是否匹配。
显性的匹配包括关键词匹配、分类匹配、来源匹配、主题匹配等。像算法模型中也有一些隐性匹配，从用户向量与内容向量的距离可以得出。第二类是环境特征，包括地理位置、时间。这些既是偏置特征，也能以此构建一些匹配特征。第三类是热度特征。包括全局热度、分类热度，主题热度，以及关键词热度等。内容热度信息在大的推荐系统特别在用户冷启动的时候非常有效。
第四类是协同特征，它可以在部分程度上帮助解决所谓算法越推越窄的问题。协同特征并非考虑用户已有历史。而是通过用户行为分析不同用户间相似性，比如点击相似、兴趣分类相似、主题相似、兴趣词相似，甚至向量相似，从而扩展模型的探索能力。总结头条推荐算法并没有对外公布具体参数权重，所以想要获取更多的推荐量，还是得创作出高质量的内容，这一点对于所有平台都是最重要的。
头条的推荐算法与阿里腾讯的推荐算法有什么不同？厉害在哪呢？
我觉得头条推荐算法不是很厉害。只是用户的关注区间和内容逐渐趋同，最终导致头条产品的使用时间较长，内容会固定在一个很小的地方。算法不断修正，寻找最适合用户的分类信息。为了避免被算法引入一个局部优化结果，用户需要寻找一些偏离通常内容的话题，以免让算法把那些内容作为无关内容排除在外。
文章TAG：算法 推荐 头条 智能
