Nerd 說：所謂 “驚喜”，就是比你更了解自己
上面這個故事的要義在于：大數據比你更了解自己。這也正是 Nerd —— 一款 “絕對讓你驚喜的” 讀物推薦應用 —— 的理論基礎。首次注冊 Nerd，你可以選擇用 SNS 賬號登陸，并被邀請回答幾個看上去有些 “不著邊際” 的選擇題，比如：你使用的手機品牌是什么？你每天工作幾個小時？你電腦的操作系統是什么？接下來，Nerd 會基于對你性格模型的分析，推薦適合你閱讀的書目和文章，每下拉刷新一次即可獲得一個新條目。點開具體書目，可以看到哪些名家推薦了這本書，還可以選擇 “想讀”、“讀過”、或 “詢價”，并跳轉到電商網站下單。
“大數據挖掘”，“個性化推薦” 的概念已經被炒了很多年，并且在電商、音樂（如 蝦米 ）、新聞（如 今日頭條 ）等領域都有了相當成熟的應用。僅就圖書領域來說， 豆瓣讀書 的 “喜歡XXX的人也喜歡” 功能就是個性化推薦最廣為人知的例子之一。同樣是做讀物推薦，Nerd 的推薦機制究竟是怎樣的，和其他網站有什么區別？Nerd 創始人韓杉給我詳細解釋了其中的邏輯。
Nerd 要做的事情是個性化連接人與書，在你甚至不知道自己對某本書可能感興趣的時候，biu 一下把它推到你眼前，使用戶產生 “驚喜感”，進而更容易產生閱讀、購買等行為。這件事說神婆一些，叫“預測人的喜好和行為”，科學一些，叫“基于大數據挖掘的精準推薦”。要做好這件事， 就需要理清幾個問題： 人和書的數據分別是什么？兩者的匹配模型是什么？
韓杉告訴我，Nerd 算法機制中 “人的數據”主要有三個來源：一是上面提到的邀請用戶回答的幾個精心設計的問題；二是綁定社交網絡賬號后，對其個人資料、評論轉發、好友關系等信息的抓取；三是用戶在使用過程中點擊、標記、試讀（和 當當 合作，功能即將上線）等行為。“書的數據” 則來自對互聯網信息的廣泛抓取，值得一提的是，這些數據指的不單是書名、簡介、分類這種表面信息，更是書的內容（比如描述方法、難度等級）、推薦人、書評這樣的深層信息。
匹配模型方面，Nerd 使用的也是目前主流的“基于模型的協同過濾”，即不斷用數據為每個實體塑造出一個盡可能準確的 “多維向量模型”，并將 “人的模型” 和 “書的模型” 根據相似度進行匹配。在主流框架之內，Nerd 的推薦模型也有自己的特點：在初始數據的獲取中，豆瓣的做法是讓新用戶選一些感興趣的話題，然后生成一系列初始值；今日頭條則是通過綁定微博賬號，獲取用 戶在社交網絡中沉淀的信息；Nerd 則是先在整個互聯網中抓取外圍數據，預先生成幾百個人物模型，并在用戶注冊時拋出那幾個精心設計的問題，根據答案 “激活” 相應的人物模型，力求讓沒有產生使用數據的新用戶也獲得不錯的 “驚喜度”。
對 “引入外圍數據可以在多大程度上提升推薦準確度” 這個問題，技術界目前仍有爭議，不過可以確定的是，對校準模型最有效的數據，仍是用戶在站內產生的使用數據：是否產生點擊、頁面停留時間多久、是否進行了 試讀、試讀之后的操作...... 每次的點擊對完善模型來說都是最直接的數據，因此和其他個性化推薦應用一樣，用戶使用越頻繁，Nerd 的推薦就越精準。
拋開推薦算法這樣的技術性問題不說，在產品形態上，Nerd 作為一款小而美的應用，還需要做很多改進，才能做到讓用戶 “愛不釋手”：
- Nerd 的推薦是圍繞著書來做的，推薦文章是想起到引發興趣的作用，但目前兩者的配合還不太 “默契”，接下來，Nerd 會嘗試在 feed 流中僅推送文章，并將相關書目放在文章底部進行推薦；
- 人想要了解自己的渴望總是無限的，他們不僅想知道 “推薦了什么”，更想知道 “憑什么推薦”。當用戶數據較豐富時，Nerd 會將系統分析出的用戶畫像適度公開給本人；
- 接下來會上線 UGC 功能，用戶可以添加自己喜歡的數目，從算法上來看，這也可以使人物模型更豐富，推薦更精準。
今日頭條張一鳴曾表示 ，希望從個性化推薦文章發展到基于共同興趣的社交，再發展到連接個性化服務。在一個信息過載的時代，這種個性化“入口” 漸漸變成一種強需求。而 Nerd 以圖書為中心，未來也可以將推薦拓展到音樂、電影、甚至商品的范疇，不過這個因為 “愛看書” 而走到一起的小團隊，在打造 “入口” 這件事上注定會有自己的風格。
Nerd 上線不到一個月，注冊量過萬。團隊此前獲得了 100 萬元種子輪融資，正在尋求天使或 pre-A。
感謝我司計算機大牛李立和 Retric 對本文的貢獻
原創文章，作者：小天
原文 http://36kr.com/p/5035602.html
</div>
</div>