現在的老丁，早已把老闆當成鬥音的產品經理和深諳推薦算法的高手，而不是一位19歲的少年。
他從滿屏代碼的顯示器後抬起頭，黑重的眼袋和亢奮的精神狀態形成鮮明對比；
飛快地切換屏幕，調出關鍵數據麵板，語速飛快：
「夏總，你來得正好！數據跑了一周，基本驗證了你核心思路的正確性。『長期興趣+實時興趣』的雙塔模型確實管用，用戶粘性比我們預想的還要好。」
他指著一條持續上揚的曲線：
「看，核心指標人均視頻播放次數和用戶平均停留時長，都在穩定增長。
尤其是我們強推的《跳樓機》話題，標籤擴散效率很高，證明基於內容特徵的篩選是成功的。」
夏偉湊近屏幕，仔細觀察數據，提出問題：
「我刷的時候，感覺推薦的內容過於傾向實時興趣，我一旦給某個作品點讚，後麵會連推好幾條同類作品。」
丁明捏著下巴，點開另一張可視化圖表，思考著回答： 【記住本站域名 解書荒，.超靠譜 】
「我們設計的興趣召回模型是這樣的。」
「能不能改改？這樣的話，用戶會迅速審美疲勞。」
丁明沉默不語，認真分析數據。
數據不會說謊，且可以說話。
在數據分析高手的眼裡，用戶的所有動作都有跡可循。
數據顯示，部分用戶的完播率和互動點讚率，在連續刷到同類內容後，迅速下降。
怎麼破？
丁明沉思片刻，腦海中靈光一閃，精神一震，音量不由自主提高半分：
「這樣，我們在排序策略中，硬性加入『多樣性打散』規則。」
「譬如：同一個創作者的內容，在連續10條推薦中不能出現超過3次；」
「同一種標籤的內容，在連續3條推薦中，不能出現超過1次。強製讓用戶的內容消費更多元。」
夏偉點頭，表示讚許，「這個解決方法不錯，就這樣搞，下一版改進。」
「行，」丁明調出記錄本，把剛剛誕生的「頭腦風暴」記下來，免得忘記。
夏偉報出此行的主要目的：
「下個版本裡，咱們要添加更多用戶行為標籤，增加收藏和搜索的權重。」
第一版的算法，為搶上線很粗糙，日益優化和細化是必須的；
丁明理解添加用戶行為標籤的動作，卻不理解後半句，皺眉問：「為什麼？」
夏偉解釋：
「收藏這個動作，往往代表用戶認為內容有長期價值，而不僅僅是即時爽感，比點讚更有意義。」
「用戶主動搜索的行為，是表達明確興趣的強烈信號。如果用戶搜索了某個詞條，在接下來的推薦流裡，就應把搜索表達的興趣，快速融入到推薦模型中。」
這就是夏偉的作用。
他能用簡單通俗的語言，指導丁明完善、修改、豐滿推薦模型，讓個性化興趣推薦越來越精準。
「真鬥音」的算法，也是這樣慢慢修改調教出來的。
請記住我們的域名𝐨𝐨𝐩.𝐭𝐰
它剛出來時，比夏偉做的第一版算法還要粗糙，簡直不堪入目。
因為它是字符的工程師，臆想預判的短視頻用戶模型，有很多錯誤和疏漏。
而夏偉，腦子裡有記憶，直接告訴丁明準確的用戶模型，讓他從易到難一步步實施。
通俗描述的話，就是：
第一版，隻給他5個用戶關鍵行為動作標籤，如：完播率、三秒跳出率、播贊比等。
第二版，讓他再加2個關鍵動作：收藏和搜索。
這樣一版版進化疊代下去。
但，中間沒有一步是錯的，全是前世驗證過的關鍵核心數據。
夏偉，天生就是站在巨人的肩膀上，照抄標準答案，少了試錯和糾正的環節。
所以，當下的算法，比真鬥音——A.me的算法，要精準許多。
夏偉估計，目前這第一版算法的水平，相當於A.me2017年夏天的水準。
它家本來要在年底上線第一個版本；
。貨的愛不舅舅疼不姥姥於屬，比相」子段涵內「、」瓜西「、」山火「和，初之線上
。源資力人和源資量流少多em.A給沒本根，向方展發準不拿也符字
。習學做據數戶用有沒本根，少稀量戶用，慢緩其極展發，年半麵前在它致導
。力威出示顯慢慢才，化優代疊法算，後度程定一到積累戶用等
。本版個幾好前提，多年一足足前提世前比，西東套這的出拿前提偉夏
。擊打維降的中擊打維降稱堪
。值不文一了穿說，奇神很得想西東套這音鬥把別
。化進續持，習學度深為行戶用的量海用於在處之害厲的它
。代疊續持並法算薦推用家一第，勢優發先了據占em.A，中爭競ppA頻視短的世前
。多越度程先領，準精越薦推，多越量戶用
。勢優種這刻復要偉夏，世這
。先領步步，先領步一
。趕追從無者來後讓
；壘壁重三」差地落+差知認+差間時「握手偉夏：於在心核
。河城護的越逾以難者來後了成形，扣相環環勢優重三這
。生誕前提，本版法算的後年一讓：上差間時
。維降的麵層知認是：上差知認
。驟步的行執地落可明丁成解拆，型模為行戶用、輯邏法算的證驗戶用級億過經世前把接直，節環錯試有所了過跳他
。題答明丁教案答準標著拿於當相
。勢優發先的代疊地落先率法算是：上差地落
。據數為行戶用累積早更，型模薦推的景場頻視短配適地落年一前提偉夏，據數於在力命生心核的法算薦推
。度準精化優續持型模讓，」料餵「法算給在是都，藏收、讚點、留停、放播的戶用次一每
、多越據數「種這
