如今做内容分发的App，比如知乎、微博等，用到的重要技术是个性推荐。
所谓个性推荐，是指针对不同的阅读个体，推荐不同的内容，也就是千人千面。这种推荐方式，有别于传统的媒体分发，比如你打开新浪网，整个版面的内容都是固定的，千年不变，谁看都是一个面孔。
个性推荐背后的技术是机器学习，也可以叫做人工智能，因为机器学习本来是AI的一个分支。不过个性推荐一向有自己的领域定位，比如ACM RecSys每年都召开个性推荐学术会议，在业内影响巨大。
早期个性推荐都用的传统机器学习算法，比如逻辑回归、因子分解、随机森林。近两年，以google为代表的更高级的推荐系统，都走向了深度学习，从而越来越与AI总体发展方向趋同。
国内在个性推荐领域做的十分出色的公司包括头条系下的产品（今日头条、抖音），以及知乎、快手等，他们日积月累，搞出了一套先进的推荐系统，吸引了大量用户。可以说个性推荐是这些产品取得成功的至关重要的因素，充分体现了技术影响力。
个性推荐号称千人千面，看起来很美好，但在起步做时，往往十分困难。这个困难倒不在技术层面，而在于业务层面。
首先，要确认推荐目标，不管什么机器学习方法，总要朝着一个目标去优化。这个目标往往在内部并不能达成一致，比如产品希望做留存，运营希望做营收，这就是两个不同的目标。没有一个模型能优化好两个目标，所以技术实现之前，内部各利益方，先要达成一致的推荐目标。
如果实在不能达成一致意见，折中的做法是线上同时跑多套模型，然后对比数据，看哪个模型更好，就用哪个模型。当然在实际中，这个好与坏，要考虑长期影响，太短视的行为，对产品和用户的生态不利。比如，短期内提高了付费率，但是伤害了用户，这是一种杀鸡取卵的行为，也是个性推荐不提倡的。
其次，分发的内容众口难调。就算确认了共同目标，在这个目标下，分发的内容形式，也不一定是各方都认可的。比如，某些同学希望更多的推新领域内容，保持新颖性；另外一些同学希望更多的推熟悉内容，保持用户粘性。在新颖性与熟悉度之间，也要维持一个可以调整的平衡线。
再次，现实中不管运营也好，产品也好，不会完全遵循个性推荐的分发形式，他们总会从不同的角度进行策略干预。比如运营做活动，要重点推活动内容；产品开发了新模块，要重点推荐该模块的内容。所以，淘宝的推荐系统，在排序（ranking）之后加了一层再排序（reranking），允许运营手工干预排序策略。
业务矛盾解决了，技术实现一般还好。技术上的难题一般在于数据管理，包括三方面：
- 训练数据：用于构建特征工程。用户和内容的各种数据要上报到后台，比如用户画像、内容属性、用户和内容交互的行为数据（观看、评论、付费等）。这些数据是构建机器学习训练样本的基本元素。特征工程里一项重要的工作是从已有数据里挖掘出有效特征，然后进行特征转换，输入给机器学习模型进行训练。
- 预测数据：模型训练好后，部署到线上进行预测。离线的数据（比如用户与内容属性），实时的数据（比如行为数据），通过离线与实时计算通道，输入给预测服务，这些数据用来推理用户和内容的关系。
- 数据回流：线上模型影响的任何数据，不管是正反馈（推荐正确的）、负反馈（推荐错误的），还是各种行为数据（观看、付费、订阅），都要上报到统一的后台，数据流形成闭环。
有了正确的数据，就可以组织数据、选择模型，朝着确定的优化目标进行训练了，这个过程不难，一般搞算法的同学都懂。
训练完后，会对模型进行评估。技术指标容易评估，比如AUC等，一眼可知。难在业务指标的评估，比如前面所说的新颖性、熟悉度，业务会衡量这些指标，从而人为影响了模型的可行性。
模型发布到线上，一般采用A/B测试和灰度发布。A/B测试尤其重要，它对比新模型与旧模型，或者新模型与自然流量的分发效果。当然，分发效果如何量化，又需要大家共同确认量化的指标，比如时长、留存、付费等综合指标。
模型部署运行后，一定要对流量进行监控，及时发现异常流量。一方面模型可能有bug，另一方面模型可能被恶意利用，朝着产品不利的方向发展。在这个情况下，要及时切断模型服务，回滚到上一个版本，或恢复到自然流量。
最后，说一说个性推荐涉及的机器学习技术。目前业界大部分公司，用的深度学习来做个性推荐，结合内容embedding技术。深度学习只要数据够大，拟合能力就更强，泛化能力也很好，模型效果相对于传统机器学习技术，有显著的提升。这里有一份知乎的个性推荐介绍文档，值得一览。
我之前带队做一款流量很大的App的个性推荐，一开始用的深度学习。在推荐系统临上线之前，产品要求模型具备可解释性，我们团队集体晕倒。深度学习是个黑盒子，本身不具备可解释性。无奈之下，一夜回退到逻辑回归，可解释性是增强了，效果自然也弱鸡了许多。