Nerd 说：所谓 “惊喜”，就是比你更了解自己

上面这个故事的要义在于：大数据比你更了解自己。这也正是 Nerd —— 一款 “绝对让你惊喜的” 读物推荐应用 —— 的理论基础。首次注册 Nerd，你可以选择用 SNS 账号登陆，并被邀请回答几个看上去有些 “不着边际” 的选择题，比如：你使用的手机品牌是什么？你每天工作几个小时？你电脑的操作系统是什么？接下来，Nerd 会基于对你性格模型的分析，推荐适合你阅读的书目和文章，每下拉刷新一次即可获得一个新条目。点开具体书目，可以看到哪些名家推荐了这本书，还可以选择 “想读”、“读过”、或 “询价”，并跳转到电商网站下单。

“大数据挖掘”，“个性化推荐” 的概念已经被炒了很多年，并且在电商、音乐（如 虾米 ）、新闻（如 今日头条 ）等领域都有了相当成熟的应用。仅就图书领域来说， 豆瓣读书 的 “喜欢XXX的人也喜欢” 功能就是个性化推荐最广为人知的例子之一。同样是做读物推荐，Nerd 的推荐机制究竟是怎样的，和其他网站有什么区别？Nerd 创始人韩杉给我详细解释了其中的逻辑。

Nerd 要做的事情是个性化连接人与书，在你甚至不知道自己对某本书可能感兴趣的时候，biu 一下把它推到你眼前，使用户产生 “惊喜感”，进而更容易产生阅读、购买等行为。这件事说神婆一些，叫“预测人的喜好和行为”，科学一些，叫“基于大数据挖掘的精准推荐”。要做好这件事， 就需要理清几个问题： 人和书的数据分别是什么？两者的匹配模型是什么？

韩杉告诉我，Nerd 算法机制中 “人的数据”主要有三个来源：一是上面提到的邀请用户回答的几个精心设计的问题；二是绑定社交网络账号后，对其个人资料、评论转发、好友关系等信息的抓取；三是用户在使用过程中点击、标记、试读（和 当当 合作，功能即将上线）等行为。“书的数据” 则来自对互联网信息的广泛抓取，值得一提的是，这些数据指的不单是书名、简介、分类这种表面信息，更是书的内容（比如描述方法、难度等级）、推荐人、书评这样的深层信息。

匹配模型方面，Nerd 使用的也是目前主流的“基于模型的协同过滤”，即不断用数据为每个实体塑造出一个尽可能准确的 “多维向量模型”，并将 “人的模型” 和 “书的模型” 根据相似度进行匹配。在主流框架之内，Nerd 的推荐模型也有自己的特点：在初始数据的获取中，豆瓣的做法是让新用户选一些感兴趣的话题，然后生成一系列初始值；今日头条则是通过绑定微博账号，获取用 户在社交网络中沉淀的信息；Nerd 则是先在整个互联网中抓取外围数据，预先生成几百个人物模型，并在用户注册时抛出那几个精心设计的问题，根据答案 “激活” 相应的人物模型，力求让没有产生使用数据的新用户也获得不错的 “惊喜度”。

对 “引入外围数据可以在多大程度上提升推荐准确度” 这个问题，技术界目前仍有争议，不过可以确定的是，对校准模型最有效的数据，仍是用户在站内产生的使用数据：是否产生点击、页面停留时间多久、是否进行了 试读、试读之后的操作...... 每次的点击对完善模型来说都是最直接的数据，因此和其他个性化推荐应用一样，用户使用越频繁，Nerd 的推荐就越精准。

抛开推荐算法这样的技术性问题不说，在产品形态上，Nerd 作为一款小而美的应用，还需要做很多改进，才能做到让用户 “爱不释手”：

• Nerd 的推荐是围绕着书来做的，推荐文章是想起到引发兴趣的作用，但目前两者的配合还不太 “默契”，接下来，Nerd 会尝试在 feed 流中仅推送文章，并将相关书目放在文章底部进行推荐；
• 人想要了解自己的渴望总是无限的，他们不仅想知道 “推荐了什么”，更想知道 “凭什么推荐”。当用户数据较丰富时，Nerd 会将系统分析出的用户画像适度公开给本人；
• 接下来会上线 UGC 功能，用户可以添加自己喜欢的数目，从算法上来看，这也可以使人物模型更丰富，推荐更精准。

今日头条张一鸣曾表示 ，希望从个性化推荐文章发展到基于共同兴趣的社交，再发展到连接个性化服务。在一个信息过载的时代，这种个性化“入口” 渐渐变成一种强需求。而 Nerd 以图书为中心，未来也可以将推荐拓展到音乐、电影、甚至商品的范畴，不过这个因为 “爱看书” 而走到一起的小团队，在打造 “入口” 这件事上注定会有自己的风格。

Nerd 上线不到一个月，注册量过万。团队此前获得了 100 万元种子轮融资，正在寻求天使或 pre-A。

感谢我司计算机大牛李立和 Retric 对本文的贡献 

原创文章，作者：小天



原文  http://36kr.com/p/5035602.html