第784章 計算機學習（2/2）

周不器緩緩的道：「不知道許亮傑跟你說沒說過，紫微星目前有兩個內部項目，也屬於人工智慧的範疇。」

沈向陽道：「他沒跟我談業務的事。」

周不器點了點頭，「嗯，這算是公司機密。我跟你說說。其中有一個項目，是個性化的內容分發，根本不同的用戶信息，來通過信息流的方式分發相應的GG和內容。」

「朋友網的GG？」

「對，主要是今日頭條，這是我們內部的一個項目，9月份會上線，會有內容的分發。」

周不器就簡單的說了一下今日頭條內容分發的理念。

沈向陽略作思考，沉吟道：「如果是這種模式，簡單的個性化分發是不夠的，這不夠精確。必須要有更複雜的算法支持，這需要使用到深度的計算機學習。」

「什麼說？」

「嗯……」

沈向陽有些頭疼，他最煩跟外行探討深度的技術問題，可對方是老闆，又不能不解釋，想了一下，說道：「這樣，你問我5+5等於幾。然後我模擬計算機，給你解釋一下。如果我說錯了，你要給出正確的答案，然後多問幾遍。」

周不器覺得挺有趣，笑道：「行，那我問啦。咳咳，5+5等於多少？」

沈向陽道：「88。」

周不器微微一愣，明白了他的意思，幫他改正，「不對，是10。5+5等於多少？」

沈向陽道：「24。」

「不對，是10。5+5等於多少？」

「17。」

「不對，是10。5+5等於多少？」

「12。」

「不對，是10。是5+5等於多少？」

「10。」

「對了。5+5等於多少？」

「10。」

「5+5等於多少？」

「10。」

沈向陽做出了這個解答，然後接結束了這個問題，「這就是機器學習的邏輯。當然不是算術了，而是計算用戶對GG或者內容的喜好度。其實針對GG的個性化投放，不能根據GG本身，而是根據內容。朋友網的個性化GG我看了，主要就是根據用戶的個人信息，這略顯粗糙，準確率也不高。」

「那應該怎麼做？」

「通過機器學習，把GG和內容捆綁。比如閱讀內容A的用戶，都喜歡GGA，兩者就可以對接了。這個比較簡單。更複雜的是內容投放，要結合統計學習和神經網絡，通過機器學習，讓計算機學習用戶的閱讀習慣。就像剛才的算術題一樣，一開始，錯誤率比較大，越是學習，錯誤率就越小，就越貼近正確答案，即用戶的閱讀習慣。」

周不器不太服氣，透露了點小秘密，「朋友網的個性化GG分發算法，是Facebook做出來的呢！嗯，我們是合作夥伴。」

「這樣啊……」沈向陽笑了笑，「Facebook的技術也不怎麼樣。」

「呃……」

口氣真大！

好吧，這哥們的確夠資格諷刺Facebook技術差。

周不器接著說：「還有一個項目，我們都做了半年了，一點頭緒都沒有，我們派出了一個很厲害的技術大牛，叫徐銘，他也沒辦法。他本來是搜索事業群的技術總監，不過項目沒進展，接下來就把他調進研究院，你來帶吧。」

「什麼項目？」

「智能搜索，個性化搜索，千人千頁。」

其實就跟個性化內容推薦差不多，不同的是，這次是針對搜索結果的個性化推薦。

沈向陽臉色就凝重起來，「這可難多了！比那個朋友網的個性化GG，今日頭條的個性化內容都難。」

「是嗎？不都是個性化推薦嗎？」

「級別不一樣。」

「嗯？」

沈向陽解釋道：「技術難題往往是兩點，一類是複雜度，一類是規模量。比如Photoshop、MATLAB這種工程軟體，就是太複雜了，我們國內做不出來。規模量指的是數據多少。一個算法，處理小數據時可能很奏效。可是涉及到大規模數據，算法就失效了。就像手工製作和機械化批量生產一樣，沒有可比性。」

周不器點了點頭，「嗯，大數據。」

沈向陽道：「大數據算法是一套，個性化算法是一套，大數據下的個性化算法，又是另外一套。這並不是簡單的1+1=2的關係，需要從算法框架方面有更優化的設計。智能搜索這個概念前兩年就提過了，可是做不到。」

現在，全世界連大數據都沒搞明白呢，對大數據下的衍生算法，更是想都別想。

這麼一看，還是老沈技術更高、視野更廣、認知更清楚啊！

智能搜索這個項目，是許亮傑、程秉皓、王小船和徐銘共同決定的，覺得這個方向大有可為。可沈向陽卻給否了，說做不到。

嗯，一家公司，肯定是技術最好的人當首席技術官。

老沈實至名歸啊！