在網站中這樣引進無法直接衡量的目標

　　在網站中我們如何引進無法直接衡量的目標？

　　在任意一個網站的推薦模型之中都有可以量化的目標，例如用戶閱讀的時間，文章的點擊率，點贊情況，評論情況以及被轉發的次數等等。這些我們都可以用模型來進行擬態預估，看看線上的情況就可以知道我們的網站做的好不好。但是對于一個大型的推薦系統來說，他們服務的對象特別的多，所以無法用指標進行完全評估。這就需要引入數據資料以外的要素。

　　那么我們要引入那些要素呢？舉個例子來說我們引進廣告以及特型內容的頻控。像問卷調查就是一種較為特殊的內容形式。在這里我們推薦的目的不一定就是讓用戶來進行瀏覽，還可以讓用戶進行回答為社區做一些貢獻。而以上這些內容該如何排布，就是控制頻控來考慮的。

　　除了上面所說到的情況，平臺還會考慮到網站內容的生態和對社會的責任。像一些低俗的，劣質的內容就會被打壓，還有就是標題與內容不相符的文章也會被打壓。網站會將那些重要的新聞置頂，同時還會增加他們的權限。而那些級別較低的賬號他們的降權，是算法本身無法控制的。這就需要我們進一步干涉。

　　接下來我就為大家說一說在前面算法的基礎上能夠完成的內容。

　　前面所說的公式是一個非常非常典型的監督學習的算法。這種算法就是一種深入學習的模型。

　　所以說，作為一個合格的推薦系統，就需要一個非常機動靈活的算法平臺。