作為在一家公司中從事算法，數(shù)據(jù)挖掘，機器學(xué)習(xí)的小伙伴們，似乎會有一些感覺，我現(xiàn)在做到的東西感覺好土啊，一點也不高大上，明明有那么多吊炸天的算法，為啥我們現(xiàn)在還要用這么土的方法呢？不行我要嘗試這些吊炸天的算法，而有的時候卻往往是吃力不討好。

就個人感覺而言，工業(yè)算法工程師其實是要求蠻高的一個崗位，雖然從業(yè)七年多了，但是是否已經(jīng)入門還真的不敢說。因為它涉及的領(lǐng)域太多，經(jīng)典的已經(jīng)被反復(fù)證明有成熟套路的應(yīng)用場景就包括了，搜索效果優(yōu)化，個性化推薦，計算廣告，智能風(fēng)控等等。而每一個場景背后雖然有著比較共同的基礎(chǔ)算法理論支持，但真要把某一個領(lǐng)域做好，卻真的不是那么容易的事情。

拿推薦的場景舉例吧。

常見的推薦手法有幾種，那么拿基于標(biāo)簽畫像的方法來做個引子。

設(shè)計一套標(biāo)簽體系；對待推薦的目標(biāo)實體，通過運營打標(biāo)，用戶ugc打標(biāo)，實體本身附屬的文本內(nèi)容，圖像內(nèi)容進行標(biāo)簽抽取；對用戶通過瀏覽、購買、加購物車，評論等行為將實體標(biāo)簽關(guān)聯(lián)到用戶身上。這樣，當(dāng)用戶有新的行為的時候，就可以通過標(biāo)簽和權(quán)重集合作為特征向量，計算消費者和推薦實體的相似度，離線或?qū)崟r的生成推薦列表了。

這樣似乎沒有啥問題，其實是有問題的。

如果我們的應(yīng)用的展示位很豐富，推薦展示位只是其中一小部分，那么問題可能還不會那么明顯。但是如果我們的應(yīng)用是高度依賴算法智能推薦的的話，那就好玩了，因為馬太效應(yīng)，越推越窄，很快一些標(biāo)簽的權(quán)重就高的沒法看了。

這該怎么辦呢？

可以有一些不同的路子去嘗試，可以通過標(biāo)簽擴展（其實效果不容易控制，粒度太粗）；或者引入其它的推薦算法作為推薦源（svd，itmbase，userbase，contentbase等等）。這個時候，就要想辦法去合理安排這些算法了。

后面會有越來越多的問題接踵而來：哪些算法適合放在基礎(chǔ)層面去負責(zé)初試粒度的召回呢，哪些算法適合把各個基礎(chǔ)找回算法結(jié)果進行精排序呢，用戶主動搜索了一個東西我如何快速反饋到其它展示位的推薦結(jié)果中呢，我該如何設(shè)計日志打點，以方便后續(xù)的效果跟蹤呢，如何可以更自動化的去測試不同的算法組合，算法參數(shù)而不應(yīng)總是人手動abtest呢，如何能夠給運營以合理的干預(yù)權(quán)限以增加業(yè)務(wù)邏輯而又不會影響算法本身的效果呢，我如果請求失敗了有沒有降級方案呢，集群job似乎越跑越慢了是不是要單獨申請個queue防止其他人干擾我呢……

哈哈，想做好效果這些全都是要考慮到的事情啊，靠單純的一個算法，很難去最好一個場景。我更喜歡稱算法工程師為效果優(yōu)化工程師，因為在企業(yè)當(dāng)中，你第一核心要務(wù)不是把某個算法研究的特別透徹，而是要讓你的整套效果優(yōu)化的流程跑順，在此基礎(chǔ)上，用實際業(yè)務(wù)指標(biāo)去說話。

回歸前面的算法同學(xué)們的苦惱，其實算法也是技術(shù)的一種，而技術(shù)的本質(zhì)，按科學(xué)技術(shù)哲學(xué)中的理論是：技術(shù)是一種解蔽的過程，解蔽嘛，就是實打?qū)嵉淖龀鰧嶋H效果。所以經(jīng)過大家無數(shù)次實際使用并證明行之有效的方法就特別受歡迎，新奇的算法，注定是在回去效果達到一定瓶頸的時候去做突破而用的了。