[[148037]]

在Facebook工作的時候做的是newsfeed ranking （新鮮事排序），算是一種推薦系統吧，而且newsfeed中也包含了廣告（Feed Ads）。說說我的理解。

結論：推薦系統和計算廣告是不同維度上的概念。推薦系統是一種技術，廣告是一項業務。個性化推薦可以用在廣告中，更可以用在別的產品層面。同時，個性化推薦只是計算廣告的一個環節，一個完整的廣告系統還需要其他很多重要的技術組件。

0. 個性化推薦在廣告之外的很多產品層面都有應用

幾個常見的應用領域：

有機內容(organic content)的篩選與排序: Facebook，知乎，今日頭條的新鮮事都是個性化排序的結果。Spotify也是類似的例子。個性化推薦做的好不好直接影響產品的活躍度(engagement)和存留(retention)。

一些Growth Hack也極為依賴個性化推薦的質量：最為常見的例子就是Facebook/知乎上“你可能認識/感興趣的人”。關注的人越多質量越好，用戶存留的可能性就越大。

Amazon和Netflix的推薦購買/觀看：這個就比較接近廣告了。

1. 廣告系統也不僅僅只有個性化推薦

一個完整的廣告系統，從廣告商投放廣告到用戶看到廣告，需要以下幾個重要組件：

• [面向廣告商的工具] 廣告商可以根據自己的需要定制投放人群：年齡，性別，地理位置，職業，興趣等等。
• [算法] 個性化推薦：在眾多符合條件的廣告中選擇最合適的一個。
• [算法] 決定在哪里放廣告：這在以前其實不是個事，因為就幾個能放廣告的固定位置（banner，頁面右側）。然而隨著Facebook發明了Feed Ads，在新鮮事里放原生廣告成了社交類產品的標配。以微信為例，在朋友圈里的第幾個位置放廣告其實是個挺有學問的事。放高了影響用戶正常體驗，放低了沒人看得到。這大該就是微信口中的“實時社交混排算法”吧。
• [算法] 定價：放的這個廣告該跟廣告商要多少錢。這受很多因素影響：放的位置高低，有多少個其他廣告一起競價，等等。

所以，個性化推薦只是整個廣告流程的一個小部分。不過，好的個性化推薦可以提高廣告的點擊率，從而增加產品營收。

2. 個性化推薦不一定非要是機器學習

很多人把個性化推薦等同于機器學習，甚至deep learning。這在嚴格意義上其實是不準確的。個性化推薦本質上是一組算法。這些算法可以是基于機器學習的，也可以是基于其他信號或者策略。比如說：

Amazon和Netflix最早的推薦系統就是item-item的算法。本質上是基于用戶評價計算任何兩件商品的相似度，生成一個巨大的二維矩陣。很難說這是機器學習。

Facebook最早的新鮮事排序就是基于一些人工制定的規則，表現也挺不錯，以至于基于機器學習的實現在很久之后才在A/B test中擊敗人工規則。

Pandora的曲庫是人工打標簽，基于此生成個性化推薦。連機器都沒怎么用。

不過廣告系統中的個性化推薦一般都是機器學習，Supervise learning對廣告這方面有極為成熟的方案。