頭條為何能取得成功？很多人會說是頭條的個性化推薦技術做得好，個人認為其實不盡然。本文羅列了相關的個性化推薦技術，特別是資訊推薦常用的算法，帶大家從“內(nèi)行”的角度來解密下個性化資訊推薦技術。希望讀者讀后能發(fā)自內(nèi)心地覺得：頭條其實也就那么回事。
本文主體分以下三個大的部分。除此以外也會在最后用一小節(jié)展望下個性化資訊推薦的未來。
1.個性化資訊產(chǎn)品：先介紹資訊推薦產(chǎn)品是什么，著重分析其業(yè)務特點。
2.個性化推薦方案：接著介紹資訊推薦所需的技術，著重分析其技術難點。
3.個性化推薦算法：最后介紹業(yè)界常用的個性化推薦算法。
4.個性化資訊產(chǎn)品
資訊推薦產(chǎn)品要解決用戶需求很簡單，一句就可以概括：為用戶找到有趣的資訊。而做到這個需求就要做好兩個關鍵點：
1.新聞聚合。用戶希望在一個產(chǎn)品里獲取任何他想要或者可能想要的東西，這就要求產(chǎn)品要聚合其他app、網(wǎng)站、甚至線下媒體里的各種資訊，這也是最基本的一個產(chǎn)品特性。
2.個性化。要去最大程度地理解、猜測用戶的興趣，結合興趣為其推薦相關資訊，這是資訊產(chǎn)品后期衍生出來的一個產(chǎn)品特性。
更進一步，如果將上述兩個關鍵點展開，一個好的個性化資訊產(chǎn)品就要具備以下亮點：
1. 時效性
這是所有資訊類產(chǎn)品共同的特性，而不僅僅是資訊推薦類產(chǎn)品。人們總是希望通過你的產(chǎn)品看到最近發(fā)生了什么，而不是很久之前的老新聞。
2. 精準性
每天發(fā)生的事情有很多，對應的新聞稿子也非常多，如果每個都看，信息過載的問題會讓人吃不消。你能否猜出我的興趣，并精準地推薦感興趣的新聞才是用戶關心的，也是用戶能直接感受到的體驗。
3. 豐富性
這點恰是很多用戶最容易忽略的一個點。其實很多用戶才不管這個資訊類產(chǎn)品是怎么推出來的，對于單個用戶而言，其第一訴求必然是通過這個產(chǎn)品來了解世界，知道每天都在發(fā)生什么，所以新聞的豐富性是最最基本的。
4. 排他性
每天描述同一事件稿子很多，在自媒體時代這個問題更加突出，但用戶只會用有限時間去了解這件事，而不是去研究所有關于這件事的報道，更不想甄別不同報道的差異。所以，用戶往往需要的是一個事情的一兩個報道，保證給我差異化的內(nèi)容是必須的。
5. 熱門性
誰都不想在周圍朋友們討論熱點事件時，自己是個懵逼，什么都不知道。這點很關鍵，跟精準性和個性化看起來有點背道而馳，但人性天生就有求同的天性。沒有同樣的話題，生活將會失去太多色彩，不知道該和人交流什么。
6. 高質量
媒體質量層次不齊，有的文章寫得很好很炫，讀的時候很過癮，但一旦你發(fā)現(xiàn)它是一個假新聞或者歪曲報道，你還是對這類文章嗤之以鼻。新聞可以高于事實，但不能背離事實。
7. 合法性
人總是對非法的事情感興趣，如黃賭毒之類。而對于被壓抑的需求，則更是感興趣，如色情之類。但一個偉大的產(chǎn)品，首先必須是一個合法的產(chǎn)品。所以，一切盡在不言中了。
個性化推薦方案
要做到上一節(jié)提到的產(chǎn)品特性，有兩條路可以走：人工運營和算法推薦。在類頭條產(chǎn)品出現(xiàn)之前，請新聞方面專業(yè)人才來運營是最穩(wěn)妥的方式。但人工運營成本越來越高，局限性越來越明顯。走算法推薦的路，在張揚個性的年代，是一條必由之路。下表簡要對比下兩者的差別。
推薦算法應用在資訊類產(chǎn)品時有一些挑戰(zhàn)，這也是資訊推薦能否做好的關鍵所在。
● 可擴展性
推薦本質是建立user和item的關聯(lián)，一般問題要么是user側量級大，要么是item側量級大，而資訊推薦是典型的“雙大”場景。又由于是高度依賴個性化的場景，還不能簡單地將某一側大幅降維，所以可擴展性顯得尤為重要。
● 稀疏性
資訊的高度個性化自然而然的帶來一個很棘手的問題就是稀疏性。舉個最簡單的例子，如果將user和item的 點擊行為用矩陣形式表示出來，會發(fā)現(xiàn)比一般問題更多的0項存在。而稀疏問題是一直困擾機器學習高效建模的一大難題。
● 冷啟動
每天都有大量的新聞產(chǎn)生，如何將如此多的新聞快速、合理地冷啟動，盡快將高質量的新聞推給合適的用戶是個大問題。
● 時效性
不同于商品、書籍、電影、視頻等的推薦，新聞一大特點是生命周期非常短，有的甚至只有幾個小時。如何在最短的時間里把新聞推給感興趣的人，在新聞進入“暮年”之前發(fā)揮它的最大價值是個非常重要的問題。
● 質量保證
新聞本身量大，且時效性強，如何在短時間里快速評估每篇稿子的質量和合法性，做到最高效、最精準的內(nèi)容審核是個大課題。
● 動態(tài)性
這里的動態(tài)性主要體現(xiàn)為用戶興趣隨時間改變、當前熱點隨時間改變。用戶在一天里的不同時刻、不同地點、不同上下文里的閱讀興趣都有所差別，動態(tài)在變化。
個性化推薦算法
圍繞上面這幾個挑戰(zhàn)，業(yè)界各大資訊類產(chǎn)品在做推薦時想出了各種招兒來解決，接下來，我們就梳理下業(yè)界經(jīng)典的做法。這里以產(chǎn)品為主線，以具體要解決的問題為輔線來進行梳理，會集中介紹下Google News、Yahoo Today、今日頭條等產(chǎn)品的推薦算法，并著重介紹下深度學習在這個領域的最新進展。
● Google News
Google News是一款經(jīng)典的資訊推薦產(chǎn)品，也是后來者競相模仿的對象。2007年，Google News在www上首次發(fā)表論文《Google News Personalization: Scalable Online Collaborative Filtering》公開資訊推薦技術。該論文的做法非常自然、簡潔，從論文題目就能看出是CF的落地上線。Google是這樣想的：鑒于大家都覺得CF是推薦領域公認的有效算法，那將其直接用在產(chǎn)品上效果自然也不會太差。
但經(jīng)典的CF有個巨大的問題，無論是user-based還是item-based，當你要算任意兩個user或者兩個item之間相似度的時候，計算量會非常巨大。因為CF的計算量直接取決于特征維數(shù)和user、item pairs的數(shù)目，而資訊類產(chǎn)品這兩個數(shù)目都非常巨大：
每個user、item的特征因為大多是曝光、點擊等行為類特征，而資訊類產(chǎn)品這些行為發(fā)生的cost很小幾乎可以忽略不計，導致維度往往比較高；
資訊類產(chǎn)品的user數(shù)目和item數(shù)目都很大，這和一般領域往往只有一方比較大是不同的。
Google這篇論文的核心就是將CF改造為支持大規(guī)模計算的方法。
其原理也很簡單：將用戶事先分成群，再做user-based CF時實際變成了(user) cluster-based CF。這樣在工程實現(xiàn)上就簡化了很多，線上只需要記錄每群用戶喜歡什么（實際做法是用到了基于的內(nèi)存key-value系統(tǒng)，key為資訊ID，而value則是資訊在用戶群上的各種統(tǒng)計值）。一個用戶來了之后，先找到其對應的群，再推薦這個群喜歡的資訊就好。而線下則借助Map-Reduce實現(xiàn)了MinHash、PLSI兩種聚類分群算法，定時把最新分群結果推到線上。
為什么Google News會先選擇協(xié)同過濾算法呢？除了CF算法在其他場景有成功的應用之外，還有一個重要的特點：CF是一個依賴用戶行為數(shù)據(jù)就可以work的算法，它不像其他基于內(nèi)容推薦的算法對NLP能力要求很高。選擇CF，則繞過了NLP這個攔路虎（有經(jīng)驗的人都知道，NLP是一個長期積累的過程，很難一開始就做到比較出色的程度）。透過這篇文章，我們也不難發(fā)現(xiàn)工業(yè)界解決實際問題時的一個基本套路：重頭做一個模型時，會選擇最經(jīng)典的一個實現(xiàn)，然后快速上線解決一大半問題。
結合前面總結的資訊推薦的挑戰(zhàn)，可以看到該算法主要解決了可擴展性問題。我們也不難發(fā)現(xiàn)這個user cluster-based的算法也有一些明顯的缺點：1）它不能解決新用戶、新資訊的冷啟動，因為沒有行為數(shù)據(jù)來支撐CF運轉；2）推薦精度不夠高，沒有做到真正的個性化。這是cluster-based CF算法本身的特點決定的；3）實時性不夠。用戶聚類不能做到快速更新，這導致了對用戶最新興趣把握有不及時的風險。這些問題在Google News的另一篇論文中得到了解決。
Google News在www 2010上放出了《Personalized News Recommendation Based on Click Behavior》。這篇文章重點解決推薦精準性和新資訊的冷啟動問題，文章想法也很樸素自然，主要是基于貝葉斯理論進行建模。他們假設用戶興趣有兩個方面：個人不斷變化的興趣以及當前新聞熱點。在具體建模之前，作者先基于歷史數(shù)據(jù)進行了統(tǒng)計分析，驗證了他們的假設，得到如下基本結論：用戶的興趣是隨時間變化的，新聞熱點也是隨時間變化的。還有一個比較比較有趣的結論是不同地區(qū)同一時間的新聞熱點是不一樣的。下圖是不同地區(qū)不同時刻體育類新聞的閱讀占比。
這幅圖縱軸是體育新聞閱讀量在該地區(qū)總新聞閱讀量的占比，越高表示該地區(qū)的用戶越喜歡看體育新聞。橫軸則是時間點，用黑線標示出的三個時間點從右到左則分別對應奧運會、歐洲杯以及美國職業(yè)棒球大聯(lián)盟進行時。而圖中的三條不同（顏色）標示的線則代表西班牙、美國、英國三個地區(qū)。不難發(fā)現(xiàn)，這副圖不僅揭示了同一地區(qū)用戶對體育新聞的感興趣程度是隨時間變化的，更揭示出西班牙、英國等國家更愛看體育新聞。
方法主要建模用戶對當前某類新聞的感興趣的程度，這取決于兩個方面：用戶對這類新聞的興趣度以及當前某類新聞的熱度。通過貝葉斯理論，這兩個方面可以直接用如下公式聯(lián)系在一起：
其中分子左半部分
表示用戶當前對某類新聞感興趣的概率，它是通過最近不同時間段用戶對某類新聞感興趣的程度來匯總計算，而用戶某個時間段內(nèi)對一類新聞感興趣的程度則通過下式計算。
這個公式粗看起來比較復雜，實際含義其實很簡單，可以理解為簡單統(tǒng)計下某類新聞閱讀量占用戶該時間段內(nèi)所有新聞閱讀量的比例即可。而分子右半部分
表示當前本地區(qū)某類新聞的熱度（這類新聞被該地區(qū)點擊的概率），實際也是統(tǒng)計一下短時間內(nèi)對這類新聞的用戶點擊占比得到的。
總體來看，該算法是非常簡潔自然的，它針對CF遺留的問題進行了很好的解決：1）引入新聞類別解決了新新聞的冷啟動；2）引入用戶興趣解決了個性化和推薦精確度的問題。但新用戶冷啟動還有優(yōu)化的空間，因為按照這個方法，同一地區(qū)不同新用戶推薦的都是該地區(qū)最熱門的內(nèi)容。
● Yahoo Today
Yahoo Today團隊2009年在WWW上發(fā)表 《Personalized Recommendation on Dynamic Content Using Predictive Bilinear Models》，重點解決資訊推薦里的冷啟動問題。不同于上一篇google news的做法，這篇文章試圖同時解決新用戶和新資訊的冷啟動。本文的基本假設：用戶畫像能刻畫用戶的閱讀興趣，新聞的畫像也可以表示新聞的點擊率，而用戶喜歡一條新聞的程度則取決于靜態(tài)預測和動態(tài)預測兩個方面，都是用feature-based learning方法來建模用戶對資訊感興趣的程度。具體來講，用戶xi對資訊zj的興趣得分如下計算。
所謂的 bilinear model 的含義當你隱去一個自變量時，另一個自變量和因變量成線性關系。比如下式不考慮z時，s和x成線性關系；不考慮x時，s和z也成線性關系。進一步如果將用戶和資訊的特征分為靜態(tài)和動態(tài)兩大類，則上式可寫為：
最后一個等式后面的第一項是靜態(tài)預測得分，第二項則是動態(tài)預測的得分。
所以當一個新的用戶到來時，第二項的特征是沒有，相當于僅用用戶的畫像等靜態(tài)特征來解決新用戶的預測問題。當一個新資訊時，也是同樣的道理。靜態(tài)特征如搜集到的用戶的年齡、性別、地域等基礎屬性，以及從其他途徑獲取的如在相似產(chǎn)品上的行為、其他場景上的歷史信息等，還有資訊的類目、主題等。而動態(tài)特征如用戶在Yahoo Today上的各種閱讀、點擊、評分以及加工出來的某條資訊、某類資訊分時間段的各種統(tǒng)計值等。有了預測分s，和真實的label (比如用戶是否點擊一個資訊r(i,j))做個比較就能得到機器學習訓練時的反饋信息。本文優(yōu)化目標是基于貝葉斯理論推導出來的最大化后驗概率(maximum-a-posteriori, MAP)，而優(yōu)化方法則采用熟知的梯度下降法(gradient-descent, GD)。
2010年，Yahoo又發(fā)表了一篇更加有效解決冷啟動的文章《A Contextual-Bandit Approach to Personalized News Article Recommendation》。這篇文章基于傳統(tǒng)的Explore-Exploit(EE)套路，大家可能比較熟悉的是為新item隨機一部分流量讓其曝光，得到一些反饋，然后模型才能對其有較好的建模能力，這是最na?ve的EE策略。
稍微高大上一點的做法則是upper confidence bound(UCB)策略: 假設有K個新item沒有任何先驗，每個item的回報也完全不知道。每個item的回報均值都有個置信區(qū)間，而隨著試驗次數(shù)增加，置信區(qū)間會變窄，對應的是最大置信邊界向均值靠攏。如果每次投放時，我們選擇置信區(qū)間上限最大的那個，則就是UCB策略。這個策略的原理也很好理解，說白了就是實現(xiàn)了兩種期望的效果：
1.均值差不多時，每次優(yōu)先給統(tǒng)計不那么充分的資訊多些曝光；
2.均值有差異時，優(yōu)先出效果好的。
而yahoo這篇文章，則是對UCB進行了優(yōu)化，因為UCB對item沒有任何先驗知識，而linUCB可以引入一些先驗知識。比如你在推薦新聞時，可能發(fā)現(xiàn)娛樂類新聞天然比體育類新聞點擊率高。如果能把這個信息作為先驗知識考慮進EE策略中，就可以加速EE的效率。LinUCB假設每次曝光的回報是和Feature(user, item) 成linear關系的，然后使用model預估期望點擊和置信區(qū)間來加速收斂。
深度學習篇
日益紅火的深度學習也在不斷影響著資訊推薦，在這一節(jié)就簡要review下最近爆出來的幾篇相關文章，大致可以分為兩類：
1）embedding技術。此時深度學習主要用來學習user/item的embedding也就是通常意義上的user/item的表示形式，每個user/item可以表示為一個向量，向量之間的相似度可以用來改善推薦。這里深度學習的重點是用來學習合理的表示；
2）使用深度學習直接對預測目標建模。此時深度學習的重點放在最終要解決的問題上。初看起來似乎第一種形式不如后者來得直接，但第一種形式在實際應用中通常能起到簡化架構、快速解決問題的功效，還能作為一個基礎特征來改進線上其他環(huán)節(jié)的效果。下面我們分別選擇一兩篇有代表性的文章來進行科普。
Yahoo Japan的新聞推薦團隊利用denoising autoencode的技術來學習新聞的vector表示。Autoencode大家可能比較熟悉，它通過最小化變換前后信號的誤差來求解，而denoising則是對輸入隨機加入一些噪聲，再對其進行變換輸出，最終是通過最小化加噪聲后的輸出和原始（不加噪聲）輸入之間的差異來求解。應用中不少結果表明，這種方法比傳統(tǒng)的autoencode學習到的vector效果更好。具體示意圖如下。
但這種方法是經(jīng)典的無監(jiān)督學習套路，直觀來看和應用場景中要求相似新聞的vector也要盡量相似沒有直接的關聯(lián)（這里單單從優(yōu)化目標來看，實際上由于語料的天然性質或者人們用語習慣，這個相似性的要求已經(jīng)間接隱含在優(yōu)化目標里了）。而新聞有很多人們編輯好或者其他模型產(chǎn)生好的類別信息，假如A、B新聞都是體育類，C是教育類的，通常意義上來講Ａ和Ｂ相似度是比Ａ和Ｃ要高的。這是在訓練深度學習時已知的先驗知識，如果能把它加入到優(yōu)化目標中，學習到的vector就能更好的表達相似度信息，于是有了下面的方法。
如圖所示，通過在原始autoencode的優(yōu)化目標中加入“同類新聞相似度大于不同類新聞相似度”這一項，我們就可以把先驗知識作為約束加到模型中。Yahoo Japan的人實驗證明了如此得到的vector確實能更好的表示（相似度信息）。
微軟研究院也提出過一種很有趣的得到item表示的方法。作者利用用戶的搜索日志，同一個query下，搜索引擎往往返回n篇doc，用戶一般會點擊相關的doc，不太相關的一般不會點，利用這個反饋信息也可以訓練神經(jīng)網(wǎng)絡。具體示意圖如下，這里的優(yōu)化目標就是要求點擊的一個doc_i的預測得分p(D_i|Q)要高于不點擊的，論文基于這個信息構造除了損失函數(shù)，也就得到了最終機器學習可以優(yōu)化的一個目標。
目前只介紹了如何得到item的vector，實際推薦中要用到的一般是user對一個item的興趣程度，只有在得到user vector后才能通過算user和item的相似度來度量這個興趣程度。那么如何得到user的vector呢？了解的同學可能能想到，既然我們已經(jīng)得到了新聞的item的表示，想辦法把他們傳到user側不就行了么？
確實如此，一種簡單的做法是把用戶近期點過的所有新聞的vector取個平均或者加權平均就可以得到user的vector了。但這種模式還有優(yōu)化的空間：1）用戶點擊是一個序列，每次點擊不是獨立的，如果把序列考慮進去就有可能得到更好的表示；2）點擊行為和曝光是有聯(lián)系的，點擊率更能體現(xiàn)用戶對某個或某類新聞的感興趣程度。鑒于這兩點，我們很容易想到通過深度學習里經(jīng)典的解決序列學習的RNN方法，Yahoo japan的人使用的就是一個經(jīng)典的RNN特例：LSTM。訓練時將用戶的曝光和點擊行為作為一個序列，每次有點或不點這樣的反饋，就很容易套用LSTM訓練得到user的vector，具體做法如下圖所示。
微軟還發(fā)表了《A Multi-View Deep Learning Approach for Cross Domain User Modeling in Recommendation Systems》，文章提出了一種有趣的得到user vector的方法，這是一個典型的multi-view learning的方法?，F(xiàn)在很多公司都不僅僅只有一個產(chǎn)品，而是有多個產(chǎn)品線。比如微軟可能就有搜索、新聞、appstore、xbox等產(chǎn)品，如果將用戶在這些產(chǎn)品上的行為（反饋）統(tǒng)一在一起訓練一個深度學習網(wǎng)絡，就能很好的解決單個產(chǎn)品上（用戶）冷啟動、稀疏等問題。具體網(wǎng)絡結構如下，總體的優(yōu)化目標是保證在所有視圖上user和正向反饋的item的相似度大于隨機選取的無反饋或者負向反饋的相似度，并且越大越好。用數(shù)學公式形式化出來是：
對應的神經(jīng)網(wǎng)絡結構如下圖所示。
今日頭條
作為國內(nèi)當紅的個性化推薦產(chǎn)品，今日頭條技術經(jīng)歷了三個階段：
1）早期以非個性化推薦為主，重點解決熱文推薦和新文推薦，這個階段對于用戶和新聞的刻畫粒度也比較粗，并沒有大規(guī)模運用推薦算法。
2）中期以個性化推薦算法為主，主要基于協(xié)同過濾和內(nèi)容推薦兩種方式。協(xié)同過濾技術和前面介紹的大同小異，不再贅述?；趦?nèi)容推薦的方式，則借助傳統(tǒng)的NLP、word2vec和LDA對新聞有了更多的刻畫，然后利用用戶的正反饋（如點擊，閱讀時長、分享、收藏、評論等）和負反饋（如不感興趣等）建立用戶和新聞標簽之間的聯(lián)系，從而來進行統(tǒng)計建模。
3）當前以大規(guī)模實時機器學習算法為主，用到的特征達千億級別，能做到分鐘級更新模型。 架構分為兩層（圖來自頭條架構師的分享）：
檢索層，有多個檢索分支，拉出用戶感興趣的新聞候選；
打分層，基于用戶特征、新聞特征、環(huán)境特征三大類特征使用實時學習進行建模打分。值得一提的是，實際排序時候并不完全按照模型打分排序，會有一些特定的業(yè)務邏輯綜合在一起進行最終排序并吐給用戶。
任何一種算法都有其局限性，業(yè)務要結合自己產(chǎn)品的特點，選擇合適的算法解決特定的小問題，融合各種算法解決一個大問題。另外要設計合理的實驗和放量機制，以在有限的影響內(nèi)，最大程度地利用真實的用戶行為來修正算法判定的結果。比如，可以先放5%的流量來試探用戶對新聞的興趣，并用模型進行建模；再用15%的流量來修正模型的效果，進行優(yōu)勝劣汰；最后將真正置信的推薦結果推送到全量用戶。
個性化資訊推薦的未來
個資訊消費是人的基本需求，個性化資訊推薦讓我們能更好地消費資訊，享受生活的快樂。個性化資訊推薦還有很長的路要走，目前面世的產(chǎn)品僅僅邁出了第一步，看起來有模有樣，實際上問題多多。例如被吐槽最多的一個問題：用戶一天看了很多，但睡前閉目一想，記住的很少，對自己有用的更是鳳毛麟角。這只是一個表象，背后其實暴露了很多現(xiàn)有推薦的問題。
要做好一個資訊推薦產(chǎn)品，不單單精準推薦技術需要演進，呈現(xiàn)形式、交互方式、產(chǎn)品形態(tài)、內(nèi)容生態(tài)等等都需要去探索，最最重要的要想清楚以下幾個本質問題：
1.人為什么需要閱讀？
2.人為什么會消費資訊？
3.用戶為什么需要到你這閱讀資訊？
4.好的閱讀體驗到底是什么，如何量化？
5.產(chǎn)品推薦的基因是什么？
加油吧，個性化資訊推薦！
參考文獻：
1. 桑賡陶，《 把握市場、產(chǎn)品和技術的動態(tài)匹配——韓國三星電子公司產(chǎn)品開發(fā)戰(zhàn)略演變的基本原則及其對中國企業(yè)的啟示》
2. Personalized Recommendation on Dynamic Content Using Predictive Bilinear Models[www, 2009]
3. Google News Personalization: Scalable Online Collaborative Filtering [www,2007]
4. http://www.slideshare.net/techblogyahoo/deep-learning-for-news-recommendation [slideshare, 2016]
5. A Survey on Challenges and Methods in News Recommendation[WEBIST, 2014]
6. Personalized News Recommendation Based on Click Behavior[www, 2010]
7. A Contextual-Bandit Approach to Personalized News Article Recommendation[www, 2010]
8. Learning Deep Structured Semantic Models for Web Search using Clickthrough Data
9. A Multi-View Deep Learning Approach for Cross Domain User Modeling in Recommendation Systems [MS Research]
10. http://www.ruanyifeng.com/blog/2012/03/ranking_algorithm_wilson_score_interval.html
11. https://zhuanlan.zhihu.com/p/21404922
12. http://www.36dsj.com/archives/36571
另：如何看待頭條的成功？
網(wǎng)上很多人都從各種角度有過分析，但大都是通過現(xiàn)象來解釋現(xiàn)象，抓住本質的不多。個人比較喜歡用“市場、產(chǎn)品和技術”動態(tài)匹配理論來看這個問題[1]：對于一個特定的企業(yè)來說，它在特定時點上所找到的、要去滿足的市場是特定的；特定的市場要求企業(yè)用特定的產(chǎn)品去滿足，而特定產(chǎn)品則是特定技術的某種物化。企業(yè)只有掌握相應的特定技術或者有能力在一定的時間內(nèi)把這種特定技術開發(fā)出來并把它物化成特定產(chǎn)品，企業(yè)選擇的特定市場才有可能得到滿足。
用動態(tài)匹配理論來看頭條，可以看到它的成功是如此之合理。隨著資訊市場的成熟和發(fā)展，人們需要一個在碎片時間消費有趣資訊的產(chǎn)品，來解決用戶的需求。這里的有趣因人而異，就需要用個性化的推薦技術去滿足。如此看來，頭條在合適的時機，用合適的技術做了合適的產(chǎn)品，造就了自己的成功。
閱讀排行榜
