八年前，豆瓣创始人杨勃开始为豆瓣写第一行代码时，就有了一个明确的方向——做一个关于生活发现的服务，也就是为人们推荐真实生活里的好东西。 “世界上一直没有一个伟大的‘生活发现’网站可以供我们参考，豆瓣一边做一边琢磨，希望可以成为一个这样的网站。”杨勃说。 朝着这个目标，豆瓣有了自己的特点：工程师人数超过半数，他们不断更新算法技术，解读用户每一次浏览痕迹背后的逻辑关系，最终高效地为用户带来最匹配的推荐结果。 这恰好是大数据时代最需要的质素，然而在当年，只有豆瓣在琢磨一个让人觉得奇怪的算法逻辑——“你先告诉我你喜欢什么，然后我向你推荐你更喜欢、更需要什么”。 读懂你 “许多口味最类似的人却往往是陌路，如果能不一一结交，却知道成千上万人的口味，能从中间迅速找到最臭味相投的，口口相传的魔力一定能放大百倍，对其中每一个人都多少会有帮助。”伴随这一愿望，豆瓣诞生了。 而豆瓣的核心能力是从技术引擎开始的。当时，豆瓣对“发现”的理解是“个性化算法推荐”，也就是“豆瓣猜你会喜欢”，这形成了杨勃对豆瓣最初的设想：通过精准强大的算法为用户进行产品推荐。 但在这之前，还需要建立全面的兴趣图谱。 创办豆瓣后的第三年，豆瓣开始加强“口口相传的魔力”，推出了曾经叫做“友邻广播”的“豆瓣说”。接下来，豆瓣社区效应的表现越来越明显，很多用户开始在群组活动里谈论生活的方方面面，这让杨勃意识到，是时候将豆瓣社区单列出来，并分化出线上活动、豆瓣小站。 其中，豆瓣小组从上线至今已经有超过30万个兴趣小组被用户创建，每个月吸引5500多万人访问，而话题更是延伸到娱乐、旅行、美容、购物、二手交易、租房等生活的方方面面。这是兴趣图谱数据最大的来源所在，也让豆瓣能从图书、电影、音乐三大主题扩展到更多生活领域。 豆瓣也一直试着通过用户行为分析，最终将产品延伸到多个简单实用的生活服务组合中。不过，不是每一个产品都能存活下来。2006年，豆瓣推出“我去”——专注旅行分享的主题， 很快因不受欢迎而停掉。相反，生活类小站、社区中二手交易、团购、手机应用等信息，受到好评。推出新产品、发起用户意见反馈、最终由用户决定产品去留，是豆瓣的惯性做法，但除了直接反馈之外，他们更信奉数据量化分析，采取主动的方式去获得真实声音而非被动等用户的“抗议”。 “豆瓣有这么一群用户，他们更有特点，更愿意展示多维的兴趣图谱，所以我们的数据会更加丰富。”豆瓣首席科学家王守崑说，基于算法技术进行个性化推荐，豆瓣成立时国内还没有太多人研究，做得早也成为一种优势。 通过算法自动推荐给你的个性化内容，背后是不断改进的算法程序，每天从豆瓣页面的各个角落统计你的使用行为，比如点击“收藏”、“感兴趣”等内容，从而判断并猜测你的喜好，然后把相匹配的内容推送在你进入豆瓣时的主页面。 当然，那些越是专注在某一个领域的用户，得到的推荐越精准。这也使得豆瓣在推动有共同爱好、价值观的用户集中在一起，形成一个个圈子，由此可以解释，为什么不少连载故事会在这里产生更直接的粉丝效应。 豆瓣猜 最早成为豆瓣算法实验的领域就是图书、电影和音乐，因为杨勃认为，它们更适合、更易于做个性化推荐。“在做算法这个领域，有个共识就是有什么样的数据就会产生什么样的结果，我们在这方面的基础会更好一些。”王守崑说。 不得不以豆瓣电台为例，连杨勃自己都称其为“豆瓣核心技术最完美的展现”。 打开豆瓣FM，一首歌放出来，可以直接跳过那些不喜欢的，也可以用点击红心的动作表示喜欢，或者直接丢进垃圾桶再也不听。这是电台更了解听者喜好的简单方式，通过与听者的这种交互模式，使算法推荐的发挥越来越准确。 刚组建豆瓣音乐时只有几个人，都是从原来的豆瓣大团队拆分出来，其实并没有新团队的感觉，但面临的挑战又很大，因为当时产品技术各线几乎都是单枪匹马，想做的事情却很多，有种重新创业的感觉。 通过分析5年间积累的用户音乐偏好，音乐团队设计出一套复杂的基础算法： 用“用户歌曲矩阵”的传统方法，计算和每首歌近似的歌曲集合，并依次作为核心数据，然后为每个用户维护一个线性的播放列表，每当用户对一首歌曲给出正向反馈，系统会取出与这首歌相似的歌曲列表中的几首，插入用户当前的播放列表。反之，如果一个用户点击“跳过”或“垃圾桶”，系统会从这个列表中删除那些与这首歌相关性高的歌曲。 反复测试中，他们也发现还需要补充一些策略。针对删除同一个歌手的歌曲，或是连续点击喜欢或跳过的用户行为，进行特殊建模，根据当前时间推荐不同曲风的歌曲。另一方面，加强针对同类用户对比的算法来提高效率。 基于这一切努力，豆瓣猜的终极目标是这样的：每天你打开豆瓣，满眼看到的都是各类你会感兴趣的新东西。我们迫不及待地想和你一起让这个画面成为现实。而豆瓣电台就是一个实验，选择了网络收听这种最简单的模式，把复杂的逻辑和计算隐藏在后台，采用个性化推荐技术作为核心的算法，呈现给用户最易用的交互和体验。 跟着用户走 当用户达到一定数量，内容更为生活化之后，杨勃发现依靠机器完成的算法推荐远没有用户推荐的效果好，于是核心能力慢慢转化为对用户需求的分析和挖掘。 在这个过程中，对数据的挖掘与认识，不仅帮助豆瓣给用户推送更精确的内容，更推动了一系列好产品的出现。正如豆瓣从不认为，是他们打造了豆瓣的氛围和方向，而恰恰是用户一步步带着豆瓣成长成为今天的模样。 半只脚踏入商业化的购书单功能，就是如此而来。从用户体验的角度来说，从推荐、发现的决策参考到达成购买，是一个完整决策行为的流程。豆瓣提供购书单的比价、购买链接功能，在杨勃看来，完全是顺势而为的事。 也正是这些基于后台用户行为数据，推动豆瓣在分析过后做出上线电商导购平台“东西”的决策。“我们一直期待能够做出这样的一款产品，它简单、好用，他熟悉每个使用者的脾气秉性却又和他们保持距离，它能够给每个使用者贴心的服务同时又能够聚合机体的智慧，它在各个场合之下，都能够提供完美、一致的体验。”在豆瓣电台一周年时，王守崑这样说道，同样能体现豆瓣面对商业化产品的心态。 数据的价值，在杨勃认定豆瓣做“推荐”时就已经被高度重视。在豆瓣，每一个用户的背后，都存放着一个持续扩大的专属数据库，随着数据库所覆盖的兴趣图谱不断扩大，更精准的推荐使用户对内容的接受程度也会越高。而这正是移动互联网时代竞争的最激烈一环，慢豆瓣会迎来厚积薄发的一天吗？
八年前，豆瓣创始人杨勃开始为豆瓣写第一行代码时，就有了一个明确的方向——做一个关于生活发现的服务，也就是为人们推荐真实生活里的好东西。 “世界上一直没有一个伟大的‘生活发现’网站可以供我们参考，豆瓣一边做一边琢磨，希望可以成为一个这样的网站。”杨勃说。 朝着这个目标，豆瓣有了自己的特点：工程师人数超过半数，他们不断更新算法技术，解读用户每一次浏览痕迹背后的逻辑关系，最终高效地为用户带来最匹配的推荐结果。 这恰好是大数据时代最需要的质素，然而在当年，只有豆瓣在琢磨一个让人觉得奇怪的算法逻辑——“你先告诉我你喜欢什么，然后我向你推荐你更喜欢、更需要什么”。 读懂你 “许多口味最类似的人却往往是陌路，如果能不一一结交，却知道成千上万人的口味，能从中间迅速找到最臭味相投的，口口相传的魔力一定能放大百倍，对其中每一个人都多少会有帮助。”伴随这一愿望，豆瓣诞生了。 而豆瓣的核心能力是从技术引擎开始的。当时，豆瓣对“发现”的理解是“个性化算法推荐”，也就是“豆瓣猜你会喜欢”，这形成了杨勃对豆瓣最初的设想：通过精准强大的算法为用户进行产品推荐。 但在这之前，还需要建立全面的兴趣图谱。 创办豆瓣后的第三年，豆瓣开始加强“口口相传的魔力”，推出了曾经叫做“友邻广播”的“豆瓣说”。接下来，豆瓣社区效应的表现越来越明显，很多用户开始在群组活动里谈论生活的方方面面，这让杨勃意识到，是时候将豆瓣社区单列出来，并分化出线上活动、豆瓣小站。 其中，豆瓣小组从上线至今已经有超过30万个兴趣小组被用户创建，每个月吸引5500多万人访问，而话题更是延伸到娱乐、旅行、美容、购物、二手交易、租房等生活的方方面面。这是兴趣图谱数据最大的来源所在，也让豆瓣能从图书、电影、音乐三大主题扩展到更多生活领域。 豆瓣也一直试着通过用户行为分析，最终将产品延伸到多个简单实用的生活服务组合中。不过，不是每一个产品都能存活下来。2006年，豆瓣推出“我去”——专注旅行分享的主题， 很快因不受欢迎而停掉。相反，生活类小站、社区中二手交易、团购、手机应用等信息，受到好评。推出新产品、发起用户意见反馈、最终由用户决定产品去留，是豆瓣的惯性做法，但除了直接反馈之外，他们更信奉数据量化分析，采取主动的方式去获得真实声音而非被动等用户的“抗议”。 “豆瓣有这么一群用户，他们更有特点，更愿意展示多维的兴趣图谱，所以我们的数据会更加丰富。”豆瓣首席科学家王守崑说，基于算法技术进行个性化推荐，豆瓣成立时国内还没有太多人研究，做得早也成为一种优势。 通过算法自动推荐给你的个性化内容，背后是不断改进的算法程序，每天从豆瓣页面的各个角落统计你的使用行为，比如点击“收藏”、“感兴趣”等内容，从而判断并猜测你的喜好，然后把相匹配的内容推送在你进入豆瓣时的主页面。 当然，那些越是专注在某一个领域的用户，得到的推荐越精准。这也使得豆瓣在推动有共同爱好、价值观的用户集中在一起，形成一个个圈子，由此可以解释，为什么不少连载故事会在这里产生更直接的粉丝效应。 豆瓣猜 最早成为豆瓣算法实验的领域就是图书、电影和音乐，因为杨勃认为，它们更适合、更易于做个性化推荐。“在做算法这个领域，有个共识就是有什么样的数据就会产生什么样的结果，我们在这方面的基础会更好一些。”王守崑说。 不得不以豆瓣电台为例，连杨勃自己都称其为“豆瓣核心技术最完美的展现”。 打开豆瓣FM，一首歌放出来，可以直接跳过那些不喜欢的，也可以用点击红心的动作表示喜欢，或者直接丢进垃圾桶再也不听。这是电台更了解听者喜好的简单方式，通过与听者的这种交互模式，使算法推荐的发挥越来越准确。 刚组建豆瓣音乐时只有几个人，都是从原来的豆瓣大团队拆分出来，其实并没有新团队的感觉，但面临的挑战又很大，因为当时产品技术各线几乎都是单枪匹马，想做的事情却很多，有种重新创业的感觉。 通过分析5年间积累的用户音乐偏好，音乐团队设计出一套复杂的基础算法： 用“用户歌曲矩阵”的传统方法，计算和每首歌近似的歌曲集合，并依次作为核心数据，然后为每个用户维护一个线性的播放列表，每当用户对一首歌曲给出正向反馈，系统会取出与这首歌相似的歌曲列表中的几首，插入用户当前的播放列表。反之，如果一个用户点击“跳过”或“垃圾桶”，系统会从这个列表中删除那些与这首歌相关性高的歌曲。 反复测试中，他们也发现还需要补充一些策略。针对删除同一个歌手的歌曲，或是连续点击喜欢或跳过的用户行为，进行特殊建模，根据当前时间推荐不同曲风的歌曲。另一方面，加强针对同类用户对比的算法来提高效率。 基于这一切努力，豆瓣猜的终极目标是这样的：每天你打开豆瓣，满眼看到的都是各类你会感兴趣的新东西。我们迫不及待地想和你一起让这个画面成为现实。而豆瓣电台就是一个实验，选择了网络收听这种最简单的模式，把复杂的逻辑和计算隐藏在后台，采用个性化推荐技术作为核心的算法，呈现给用户最易用的交互和体验。 跟着用户走 当用户达到一定数量，内容更为生活化之后，杨勃发现依靠机器完成的算法推荐远没有用户推荐的效果好，于是核心能力慢慢转化为对用户需求的分析和挖掘。 在这个过程中，对数据的挖掘与认识，不仅帮助豆瓣给用户推送更精确的内容，更推动了一系列好产品的出现。正如豆瓣从不认为，是他们打造了豆瓣的氛围和方向，而恰恰是用户一步步带着豆瓣成长成为今天的模样。 半只脚踏入商业化的购书单功能，就是如此而来。从用户体验的角度来说，从推荐、发现的决策参考到达成购买，是一个完整决策行为的流程。豆瓣提供购书单的比价、购买链接功能，在杨勃看来，完全是顺势而为的事。 也正是这些基于后台用户行为数据，推动豆瓣在分析过后做出上线电商导购平台“东西”的决策。“我们一直期待能够做出这样的一款产品，它简单、好用，他熟悉每个使用者的脾气秉性却又和他们保持距离，它能够给每个使用者贴心的服务同时又能够聚合机体的智慧，它在各个场合之下，都能够提供完美、一致的体验。”在豆瓣电台一周年时，王守崑这样说道，同样能体现豆瓣面对商业化产品的心态。 数据的价值，在杨勃认定豆瓣做“推荐”时就已经被高度重视。在豆瓣，每一个用户的背后，都存放着一个持续扩大的专属数据库，随着数据库所覆盖的兴趣图谱不断扩大，更精准的推荐使用户对内容的接受程度也会越高。而这正是移动互联网时代竞争的最激烈一环，慢豆瓣会迎来厚积薄发的一天吗？