027 低调校花吴小满（1/2）

三月，春天到了，万物復甦，又到了动物们交配的季节。

半个月过去，街头的春风，褪去了料峭寒意，变得温软起来。

传媒大学校园里的姑娘们，早早换上轻薄的春装，肉色光腿神器闪耀著动人的光彩，增添几分鲜活的春意。

饶佳的到来，让蝴蝶效应走上发展的快车道，也让夏伟閒下来，有时间欣赏大好春光。

算法岗、视频工程师、財务岗、运营岗、內容岗......一位接一位新员工，由饶佳招聘入岗。

值得一提的是新招的算法架构师：

他叫丁明，月base55k，是全公司薪酬最高的一位。

他今年36岁，本硕均为华理工计算机专业，离职时是字符的算法架构师，职级2-3。

他是字符经验最足、最懂线上落地的老工程师之一。

熟练使用分布式机器学习平台，深度参与头条的资讯推荐算法叠代，能独立带队落地一套推荐系统。

他因晋级败给一位能力不如他的人而离开字符，被饶佳找到。

夏伟和他经歷一番长谈，描绘出把“机器学习平台”和“推荐算法”组合成个性化短视频推荐算法的思路。

丁明听完这套方案，对夏伟惊为天人。

他不仅了解字节的东西，还开创性地想出把推荐算法从“图文”適配到“短视频”场景上。

这个想法很有建设性，似乎很有搞头，市面上没有一家公司这么做——字符都没有。

他非常感兴趣，一拍即合，同意来蝴蝶效应当算法负责人。

当他入职后，就能谈更深层次的技术方案了，面试时不方便聊太深。

夏伟直接给出第一版算法思路，让他落地实现，具体动作很简单：

第一步：先解耦字节的“资讯推荐算法”与“分布式机器学习平台”的核心模块，保留底层架构不变，节省90%的底层开发成本；

第二步：重构內容理解模块，打破图文场景局限；

摒弃原资讯算法依赖的正文关键词、段落语义等特徵，转为提取短视频核心动作特徵。

再通过图像识別、音频解析、提取视频封面特徵、bgm曲风、画面场景標籤等元素，完成內容侧的场景適配；

第三步，搭建个性化兴趣推荐筛选体系，精准筛选出用户可能喜欢的视频。

一方面，通过用户过往刷过、点讚、停留过的视频，推算出他长期喜欢的內容；

另一方面，捕捉用户当下刷视频的行为，更新短期兴趣。

从而做到“长期+实时”的双重兴趣捕捉，精准匹配每一个用户的口味。

第四步：將用户兴趣標籤、短视频內容特徵，结合短视频专属行为数据——如：三秒留存、完播率、播赞比等。

输入浅层dnn模型，进行深度学习与重训，不断优化兴趣匹配权重。

——这样，就能实现两套技术的合二为一，落地全球第一版个性化短视频兴趣推荐算法。

——从而实现“千人千面”的个性化內容推送。

丁明当时直接愣在原地，小手直打颤，眼神里满是难以置信，脑子里嗡嗡作响。

他从企鹅到字节，深耕算法七年，亲手参与今日头条资讯推荐算法的叠代。

他比谁都清楚，把图文推荐適配到短视频，最难的是创意，是第一个想到这个点子。

第二个，就是如何构建一套適用於短视频的全新特徵体系、內容理解、用户动態兴趣的实时建模。

夏伟直接给出一套端到端的工程技术方案，把每一步都想得明明白白，全是能直接落地的乾货。

虽然没有一行代码，但只需照做，一套粗糙的短视频兴趣推荐算法，便能落地。

这套方案，一旦落地运行，大概率是能碾压当下所有短视频平台的降维打击。

什么大手，什么美拍，什么秒拍，统统滚蛋。

他判断的没错，夏伟比他更清楚这套方案的妙处和威力，迫不及待地想看到它提前大半年上线的效果。

直接告诉他：

第一版不用尽善尽美，能用就行，先確保上线；

上线后再慢慢叠代优化。

算法需要大量用户数据做深度学习，数据越多，推荐越精准。

赶紧上线拿到大量用户数据，在使用中进化叠代。

丁明深以为然，言听计从；

带著两位新招的专家，天天加班到深夜，爭取早日上线全球第一版短视频推荐算法.......

经过2月底一波节奏极快的铺垫，再补充关键岗位后，公司框架搭建完毕;

各部门齐头並进，內容部门突飞猛进，算法研发进度飞快，產品也一天一个样。

进入三月份这大半个月：

星动娱乐那边，陈默团队紧锣密鼓按他给的计划修改“晃咖app”，不日即將上线。

校园內容团队——內容一部，逐渐扩充到50人，入职一位內容策划，叫李淑仪，给张婷当副手。

提拔三个学生组长，引领整个团队日均產出400条短视频。

在学校创业孵化中心王老师的帮助下，学校迅速通过了夏伟的创业项目评审，特批120平共享办公空间。

办公地址位於学校1.5公里外的龙传文创园，有共享会议室，免租两年。

內容团队就在这里办公，二部也在，唯一的全职员工是范雪非。

阴差阳错之下，舍友陆梓承被调到內容二部当水军——哦，不，是运营。

他，还有另两位兼职学生，成立运营小组，他当组长。

三个人在围脖音乐区、豆瓣音乐区、企鹅音乐、知乎、贴吧这五个地方，註册了100个帐號。

搞风搞雨，呼风唤雨，引导音乐爱好者去欣赏《跳楼机》和《野狼disco》。