小红书博主广告价格是很多商家和媒介关注的话题，到底市场价是多少呢。这个定价主要看粉丝量，是要koc还是kol ，一万和十万粉丝的价格是差很多的，还有很多的合作细节，包括客户的产品类目，都是会影响价格的。现在小红书的产业已经是很成熟了，价格表也是有明确价格的分布的，需要的商家直接根据价格表选择自己需要的博主去发文就可以了。
很早就想写这篇总结，但是因为⾃⼰太懒，拖拖拉拉到现在，因为去年10⽉份加⼊现在的公司（⼩红书），加上之前的⼀些经历，有很多感慨，所以想简单回顾下，算得上是对毕业以来这段时间的总结吧。
我是2016毕业的，2017年算是毕业的第⼀年，来上海的第⼆年（⼤四的时候就来上海实习）。这⼀年，离职，⼊职，再离职，再⼊职，前后换了两个公司，真的算上是⼀波三折。
再来具体谈谈这⼀年的经历，17年初的时候我还在与德通讯，这是我毕业后的第⼀家公司，公司做的是ODM业务，说的通俗点就是给品牌⼿机⼚商做⼿机的，或者说贴牌⽣产，魅族，联想这样的品牌⼿机⼚商就是我们的客户。这家公司是我来上海实习快结束的时候⾯试的，当时⾯试了好⼏家公司，因为感觉⾃⼰的学校不是很好，只是⼀个⼀本学校，⽽且⾃⼰能⼒也不是很强，当时也不觉得⾃⼰能进个有名⽓点的⼤公司，所以投的都是⼀些普通的软件公司，当时在上海我记得⾯上了⾦蝶软件，泛微软件，与德通讯（也就是后来加⼊的公司），算不上是很好的公司，只能说还可以。⾦蝶和泛微做的都是java后台开发，与德主要做的是android系统的⼀些订制，⾦蝶和泛微在我现在看来，当时应该是⼀种更好的选择吧。当时选择去与德⼤致有两个原因：⼀是因为⾯试官⼈真的不错，在⾯试完之后加了QQ聊了很多，觉得这是⼀个特别关注下属成⻓的领导；⼆是因为⾃⼰对于客户端或者说前端开发更感兴趣⼀点吧，因为实习的时候做的是后台开发，当时因为⾃⼰局限性，举得后台开发太⽆聊，⽆⾮就是对数据的增删改查呗，现在想来，当时⾃⼰还是想的太简单吧。
在与德⼲了⼤概⼀年的样⼦，在与德算是完成了对android开发的⼊⻔吧，为啥从与德离职，主要还是举得在与德的成⻓有局限性，类似这样的ODM公司，因为没有⾃⼰的品牌，在国内很多品牌⼚商对于原⽣android都有⾃⼰的订制，ODM公司只是在这些订制好的系统上做⼀些很有限的开发。⽐较印象深刻的是，当时部⻔做的是华硕的项⽬，华硕虽然没有魅族flyme订制的那么深，但是对于很多系统级的apk我们连源码都看不到，很多时候解决问题只能通过去看系统Log，连蒙带猜的去解决，这个时候感觉个⼈的成⻓有很⼤的局限性。于是后⾯决定从与德离职去找⼀家互联⽹公司。
这期间⼤概⾯了6，7家公司，⼤概有四家都拿到了offer，当时⼩红书的offer算是最好的，薪资⽔平基本差不多，其他⼏个相对没有⼩红书名⽓⼤，所以毅然决然选择了⼩红书。
这⾥还是要说⼀下，对于有的⼩伙伴来说，可能⼀开始学历，能⼒没有那么强，进⼊的公司不是很好，但是不能因为这个⽽⾃暴⾃弃，这个时候，更加需要我们⾃⼰多多学习，⾃⾏提⾼。记得在这个⼩的创业公司，有段时间不是很忙的时候，当时我的那些同事⼀闲下来就玩⼿机去了，我那时碰到闲的时候，⼀个是去看GitHub上优秀的代码，学习他们的写法，另⼀个就是想着去优化现有app的⼀些体验，优化⼀些功能体验并不⼀定被⽼板认可或者当时⽼板都不知道，有些⼈可能会觉得这样做太傻，但是我当时却不那样想，因为我觉得做这样的优化能提⾼⾃⼰的能⼒，当你去找各种优化点的时候，同时也是在增⻓⾃⼰在app优化上的经验。很多时候，我们要想着，我们是为⾃⼰⼯作。
平台真的很重要，不仅在于⼤的平台可以提供更好的福利，⽽且在于能够提供很⼤的眼界提升。这算的上是我加⼊⼩红书以来最⼤的体会了吧。
因为周围的同事都很优秀。有从阿⾥过来的，从京东过来的，从知乎过来的。。。等等，所以很多时候都感觉需要学习，需要进步，因为相对于他们⽽⾔，⾃⼰太菜了
面试小红书的时候，感觉都有点稀⾥糊涂的，⾄少在⾯试之前我是没举得⾃⼰能过的，当时只是在⼼⾥给⾃⼰打⽓，就算不过，也给⾃⼰⼀个去⻓⻓⻅识的机会。因为我⼤学不是211，更别提985了，只是安徽省内的⼀个⼀本院校，⽽且⾃⼰的能⼒也不是很强，所以在这样的时候，⼼⾥总是很没有底⽓。当时⾯试了⼀下午，三轮技术⾯加上HR⾯，有些问题都差不多忘了，有的问题真的答的不是很好。
问了我的项⽬，让我展示下⾃⼰做的app，问了我对于mvp的理解，让我说下rxjava，还有问我是否看过retrofit的源码，还问了我如何在实现RecycleView某个item的onClick事件，记得的⼤概就这⼏个吧，创哥问的主要偏向项⽬吧。
块的东⻄，算是⽐较照顾我的了，因为我在简历上写了⾃⼰待过三家公司（包括实习的公司），他⼀直想问我解决多的最有挑战性的问题是啥，我基本都说出来了，但是他仍然觉得没有得到他想要的答案，当时搞得我很紧张。后⾯就问了⼀些偏技术性的问题，基本都是android和java相关的，基础好的感觉都能答上来那种，然后他就出去和HR沟通了，当时就觉得⾃⼰肯定没戏了。
华哥问了⼏个问题，我⼤概还能记得点，因为相对都是具体的问题，问了rxjava中的map和flatmap的区别，问了如何实现进程间的通讯，问了进程间的通讯如何实现，问了如何实现TCP的分包（因为博主⼤学做过⼀个即时通讯的服务器相关的项⽬，写到简历上了），问了线程同步的单例怎么写等等，记得的⼤概就这么多吧。简单总结⼀下，其实三位⾯试官问的问题有好⼏个回答都不是很好，有的⼲脆就没答上来，但是我觉得有个原因是因为⾃⼰没毕业多久，⽽且相对来说，⼯作经验还可以，⽽且有个点忘了说了，楼主当时在⼤学跟着同学⼀起参加了诸如机器⼈⼤赛，中国软件杯的⽐赛，勉强拿了点成绩，感觉在这个点多少加了点分吧。感觉还是⾃⼰运⽓⽐较好吧，成功通过了这次⾯试。
作为在业界知名的互联网公司，刚进去的时候，举得很发慌，怕自己写的代码出bug，当时就觉得万一出bug了就完蛋了，毕竟用户量那么大。后来才知道测试基本会把很多bug解测出来，而且发版之前还会发布灰度版本，这样也能找出一些不容易发现的bug，相对来说，质量保证还是可以的。在小红书做android开发，很多时候举得自己能力不够，因为对产品要求严格，许多细节都要兼顾到。记得之前的经历是碰到难做的需求，就去GitHub上找个差不多的，然后改吧改吧就差不多了，现在却不能这样，对于引用第三方的库，我们都是很慎重的，所以很多时候很多feature需要我们自定义，这个时候就比较考验我们了。另外，对于代码还有一套规范，代码review必须保证保证规范，不然不能merge。等等之类的，正在经历这些考验，并且需要自己不断提高自己吧，今年会更多地写写博客，去年因为工作忙，还因为一些其他原因，没能在闲暇时间更多的学习，今年应该会改善这一点。
小红书被称之为“海外购物神器”，在全球有超过一亿年轻用户，用户多数以大学生、白领为主，而且都挺有钱的，小红书由”自营跨境电商“」“第三方品牌授权/直营”“UGC（用户创造内容）的口碑分享社区”三部分组成，小红书在最近一年的时间都非常火爆，传闻是由范冰冰带火起来的，各大美妆、快消品商家和品牌都在疯狂抢占先机做小红书的推广营销，当然今天聪少也会带着大家继续分析小红书，剖析热门规则及排名规则，很多人都在苦恼自己做的为什么都没效果？发送的小红书笔记没有上排名，更没有可能让自己的产品上热门搜索的机会，其实这就是问题点。
小红书的引流效果是比较明显的，对于小红书这块流量蛋糕，是需要商家都想要享用的，说明小红书的流量是优质的，那么商家就要想办法瓜分小红书这块优质流量。对于小红书来说，种草引流的途径就是写笔记，不管是博主还是商家，可以通过笔记种草引流，一篇图文并茂，有真实体验笔记引流效果是很明显的，因此小红书的业务也是比较多的商家愿意去做的，比如笔记点赞，关键词置顶等，当然，这些业务也是需要专业的运营人员去操作的，对于商家或者是品牌商来说，要做的就是信任专业的运营团队。
小红书对于丽人行业的引流是明显的。首先，小红书的美妆博主的流量是相当大的，比如美甲美发等，本身小红书一开始的定位就是分享生活，美妆博主在小红书的定位是比较明确的，因此美甲、美发的种草效果都是可人的，小红书的笔记不仅是真实体验+成果展示，而且小红书平台上的女性用户也是比较多的，因此建议丽人行业的商家们可以进驻小红书平台，借助小红书这个平台，吸取到优质的客户。
小红书的一个定位就是社区平台，从该平台用户的年龄，性别分布的情况下，女性占绝大多数，男性用户仅占12.76%。年龄上，24岁下和24-35岁之间的用户占总用户的80%。
这就意味着，90后，95后的年轻女性是这个平台的主流用户。且这些女性用户的忠诚度、购买力都非常理想，小红书是一个很适合做女性产品内容营销的平台。现在随着平台的不断迭代，引来了越来越多的用户入驻，这个平台的内容性越来越丰富，整个平台的内容覆盖面扩展到生活的方方面面。
因而做一个平台属性的了解最重要的是了解，针对平台的用户画像和产品类型来分析自己的产品品牌是否符合平台。
小红书平台有一点很有趣，它的内容推荐渠道根据用户的生命周期来做判断，不同的阶段，平台会有不同的推荐策略。因此你的流量来源会在用户的一个影响力下做不同的推荐方式。但万变不离其宗，你的内容和用户喜好有匹配，用户关注你，用户的搜索以及你的位置是有相关性的。
根据平台的机器算法推荐，会倾向于向用户推荐用户的喜好内容，因此你的内容关键词要做好。比如你在平台上经常搜一些学习笔记类的内容，他们就会给你推送相关的周边内容。
小红书作为中国乃至全球独一无二的社区电商，目标是让全世界的好生活触手可及，那么如何帮助用户在社区里发现好生活，又如何引导用户找到值得剁手的好产品呢？本文整理自 ArchSummit 深圳演讲，探讨如何运用机器学习和人工智能，帮助小红书不到 10 人的算法团队快速接近目标。我们由此篇文章会了解到：
我叫赵晓萌，现在是小红书算法的架构师，在小红书之前，我在微软 Bing 搜索引擎，是排序组 Core Ranking 的产品经理，负责点击模型，后面到 Twitter 的广告组做移动广告的精准投放。
第四点是结合我的经验介绍下如何在像小红书这样一个比较初期的人工智能团队，这样比较小的公司里更好地应用人工智能。
我早上听了几位讲师的分享，特别留意到他们公司有自己的机器学习训练框架和训练平台，他们在算法上做了非常多的优化，我们作为一个小公司并没有这些，我很羡慕，希望有一天我们也会有。去年我们的算法团队大约从 6 个人发展到了 10 个人，以下介绍的是去年一年的时间内，尤其在后半年完成的一些工作，希望我们的经验能够给人员和资源都比较早期的公司一些借鉴。
我先从介绍小红书开始，介绍下我们算法团队需要解决的问题。小红书是一个分享社区加电商的 APP。
首先看下分享社区，分享社区以女性为主，是一个有少量话题引导的，但基本上是自然形成的，关于分享精致好生活的社区。这里主要分享的内容包括美装、穿搭，喜欢去的餐馆，新发现的旅行地点、酒店，最新的母婴和家居生活的内容也在增加。小红书今天有五千万的注册用户，月活跃用户超过千万，这些用户帮助我们在平台上产生了九百多万篇非常高质量的分享。这么多的内容，我要如何转发分发给用户，让他们看到想看的，这是一个算法组需要解决的问题。
小红书的另外一面是福利社，就是电商，这个问题很简单，就是你在社区里看到的，在福利社希望能买到。如何提高福利社的商品购买转换率，这个也是算法组需要解决的问题。
小红书独一无二的地方，就在于它把社区和电商融合到了一个 APP 里，非常重要的一点是它造就了女生人数占比最高的互联网公司。在我们公司里面女生男生占比是 7：3，其他公司里比例可能最高 3：7，或者 1：10 都是有可能的，这是小红书独特的地方。更重要的一点是，它造就了 1 加 1 大于二的效应。
这是什么意思呢？我们社区是提供用户黏性的，它为我们电商引流，电商这部分把流量变现，在我们 APP 里形成了一个闭环，这两个是互相推动的。对于算法团队来说，因为我们有这样独特的形式，我们有社区的用户数据，同时也有用户在福利社的行为数据，我们如何把两边的行为连接起来，更好地理解用户，这是一个非常独特的挑战。
我们算法优化的目标是什么？优化的核心目标也是两个，分别对应社区和电商。社区的目标是用户增长，我们衡量的是在社区的深度交互，这是一个间接的，但是离我们更近的一个 metrics(指标)。对于电商我们要做到的是驱动盈利，福利社的加车购买，是我们关注的指标。机器学习大概是从去年年初开始在小红书慢慢地发展起来，截止到去年年底，整体效果还不错，我们需要达到的深度交互，以及电商的购买转换，都有非常不错的提高。
刚才介绍了小红书和我们算法要解决的问题，现在举个具体的例子介绍怎么理解小红书的内容。刚才提到五千万用户的九百万篇推荐笔记，是我们最重要的内容，我们花了非常大的精力来理解内容。
首先我们看一下这些内容大概是什么样子。很简单，是图文并茂的。用户产生的内容图片多，而且质量非常高，同时是非常详细的种草文（推荐物品的文章），这个文章正常情况下不是横过来的，横过来是为了让大家看到这个文章很有长度，写得非常仔细，吸引眼球，而且有感情有干货。
因此需要把文本和图片结合起来去理解文章内容。我们通过机器学习把笔记的主题分到人工标定的上百个主题里。我们用 CNN（卷积神经网络）提取图像特征，用 Doc2Vec（文本到向量模型）提取文本特征，通过一个简单的分类器就能把用户笔记分到主题中。接下来具体介绍下图像特征的提取。
卷积神经是深度神经网络，层次比较多，是 feedforward 神经网络。简单解释下它的原理，它模拟了我们大脑处理图像的过程。什么意思呢？如果我们选一个稍浅的神经网络，把这个多层神经网络每一层的输出打出来，那我们大概就能够了解这个神经网络在做什么。最下面的输入层是我们图像的像素，第一层、第二层的输出我们可以看到这个神经网络能够提取出一些边缘的信息，再往上四五层的时候，它把边缘的信息组合起来了，我们会看到转角、圆圈还有网格这样一些形状上局部的信息，再往上到第六第七第八层的时候，就能看到一些整体的概念被抽象出来了。经过这个卷积神经网络层层的抽取和抽象，在像素之上会形成概念最有用的一些特征，这个就是我们拿到的图像的特征。通过这个卷积神经网络我们把一张图变成一个 4096 维的向量，这个向量是这个图在高维空间里的一种表示，它是有空间意义的，这个意义是指相似的图片，或者说图片上的相似特征在这个空间里是距离接近的。
我们这一套神经网络是在 Caffe Model Zoo 的很多已经预先训练好的模型里选出来的一个 VGG 的 16 层神经网络，它已经在 ImageNet 上训练好了，我们不需要花太多时间去训练它，我们只是标注了少量小红书上的图片，把它的主题标上去，然后我们再 fine-tune 这个神经网络，最后就达到我们期望的效果。
讲完了图像，我再讲一下文本的向量表示，文本的向量表示有非常多种，其中一个比较有名的向量表示叫做 Word2Vec，是 Google 提出来的，它的原理非常简单，它其实是一个非常浅的浅层神经网络，根据前后的词来预测中间这个词的概率，优化预测的时候模型就得到了词的向量表示。同样的这个词的向量表示在空间里也是有意义的，相似的词也处在相近的空间里。这个模型比较有意思的是，把向量拿出来随时可以做向量运算，比如图中，女人到男人之间的那个指向的向量，和皇后到国王之间是一样的，所以你知道其中三个，就能算出另外一个。
把文字的 Word2Vec Model 往上提一层时就会得到文本到向量的 Doc2Vec Model。那么怎么用它呢？其实就是把小红薯，就是我们的用户的笔记上的标签，它提到的商品的品牌品类加上笔记本身的内容一起放到这个模型中，我们就得到了一个描述笔记的向量，然后再提取。这个模型也是开源的，我们也直接拿来用就可以了。
当我们现在有了图像和文本的向量表示以后，我们就有监督地去训练一个分类器，把它分布到我们标注出来的主题上，我们用的分类器是一个，有一个隐层的全连接的神经网络，能达到我们要的效果。之前我说过小红书是一个非常视觉的社区，图像很多，我们只用图像提取特征就已经达到良好的效果，准确率大概是 85% 时覆盖率能达到 73% 左右，加上文本以后效果更好，准确率达到 90%，覆盖率达到 84%。
上面是一个我们用文本和图像特征来理解我们用户产生内容的具体实例。下面给大家概括介绍下小红书机器学习使用的情况。
做这方面的同行应该知道人工智能有三个阶段，最早的专家系统，到统计学习，到深度学习现在慢慢流行起来。对于我们这样一个小的公司来说，我们非常注重算法的实际效果，远超过我们看这个算法先进不先进，比如刚才我们讲的提取图像特征的模型，并不是 CNN 里效果最好的，而是一个相对简单的模型，16 层神经网络对我们来说相对简单，容易理解，比较能 Hold 住。
专家系统是指我们需要依靠人对问题的理解来设计规则，比如中文搜索中特殊的分词，在小红书早期时，搜索中大约 80% 的问题都是因为中文分词分得不太准，导致用户搜不到想要的东西。我们通过人工的一些工作，从人工加词、加词典维护，到我们做了新词发现的一套半自动的系统，这些问题就被解决掉了，实际上分词有更好的解决方法，现在已经有了基于深度学习的方法，有可能以后考虑替换这套系统。
有些专家系统确实不太好替换，比如对于电商来说，它的品类（商品的分类）系统是非常需要行业知识的，需要对商品品类有深刻的理解，而且需要结合公司电商发展的阶段来设计这套系统，系统要随着公司发展阶段的变化去不断地迭代。这套系统特别重要，因为当品类不对时，在品类下的推荐就不准，搜索的筛选可能会做得不太好，或者品类的粒度分得不够细不够准时，推荐和搜索的算法都会受到非常严重的影响，所以这套专家系统可能会一直存在下去。这是最左边的早期的专家系统，相当于早期第一个版本的人工智能，最新版本的人工智能就是现在比较火的深度学习，这点刚才也讲了，主要讲的是主题分类，同样我们可以做到图片相似，以及物体检测等。
剩下中间这块统计学习，统计学习是我们使用量最大也是实践中最常用的，这一套系统当中，最重要的就是统计的信息，往往需要用到大量的统计特征。
比如在我们推荐的 GBDT 模型中，模型的产品目的是个性化，我们希望用户可以看到想看的笔记，这属于我之前讲的笔记分发的问题。在这张表里，大家可以看到，我们有非常多的用户行为统计，产生了一些静态的信息，用来描述用户或者笔记。
我们通过用户画像和人口统计信息来描述用户，比如性别年龄等常用的静态信息。笔记分作者和内容两个维度，比如作者打分和笔记的质量、标签以及刚才介绍的主题等。还有一些我们实验过的更复杂的统计信息，被我们放弃了，因为虽然复杂但是效果并不显著。比如我们会算用户的行为趋向，是趋向在社区里花的时间比较多，还是趋向于在福利社电商花的时间比较多，我们尝试过统计用户的生命周期，这个用户是新用户、老用户、经常回来的用户、还是可能快流失的用户，还有用户的活跃时段，用户是在早上比较活跃还是晚上比较活跃，用户购买力，用户对折扣的敏感度，在社区里的活跃度，这些统计信息我们都尝试过，这些都比较静态地去描述一个用户。
还有一个非常关键的信息是动态特征，虽然动态特征并不多，但是很重要。动态特征包括用户在浏览和搜索过程中有没有点击、有没有深度行为等类似的用户反馈，这些交互的数据有一个实时的 pipeline 从线下直接放到线上的模型里，在线上会利用这些数据对交互的质量，比如点击率进行预测，以及通过协同过滤得到用户和笔记的隐性分类，这在推荐当中也是有用的。我想讲的是用户反馈的数据，即使是简单的统计都是非常有用的。我们在使用复杂模型之前先用简单的统计方法把用户的反馈数据放到模型预测中，可能就能达到想要的 80% 的效果，这是非常重要的。
还有一点是我们有两部分的数据，社区和电商的行为数据，用户在社区的行为和电商的行为是不太一样的，而且是有点互补的。比如用户在社区的行为是比较高频的，用户会在这里搜、看、点击、点赞，可能因为好奇进行点赞和点击，而在电商的数据是低频的，比如产生最后的购买。高频数据我觉得统计信息是非常有用、非常准确的，对于电商，我们认为比较昂贵的行为，比如购买和加心愿单的行为，是非常可信的，这两种数据是互补的，我们试着把这两边的数据融合起来用到特征里。
之前讲的提取特征，是为了判别文本的主题，我们用的是 Doc2Vec 文本到向量的方法，向量越接近，文本越接近。现在这个场景叫相关笔记，相关笔记的要求是什么呢？推荐的笔记和用户在看的笔记最好讲的是同一个东西，比如说，同一款口红，同一个旅行目的地，同一家酒店，同一家餐馆，有可能不是同一家餐馆，是类似的餐馆，或者说同一件衣服，但是也有可能是不同款但是相似的衣服。
相关笔记的要求的是首先相关性非常强，第二在这个基础上稍微有些扩展。实际实验时发现，如果用 Doc2Vec（文本向量表示）选出来的笔记不太能满足相关性的要求，比如上图的例子，讲的是世界第一潜点诗巴丹，Word2Vec 的结果不太在乎具体地点是哪里，在最右边的例子里，我们可以看到，它找的是附近的地方，比如越南芽庄，它会把相似的地方找出来把它替换掉。在这样一个场景当中，我们选择了另外一个词向量的方法 TDIDF，一个简单的统计学方法。这个就能比较好地解决相似性的问题，因为它本来就是用于信息抽取和信息检索。
有一点让我觉得比较惊喜的是，TFIDF model 虽然基本要求词是一样的，但它可以把一类笔记找出来，就是讲用户心理、描述用户心情的笔记，因为用户描述心情用的词汇很接近，所以这个方法也会把扩展的内容找出来。举这个从另外一个应用场景来选文本向量表示的例子的意思是我们的算法选择在小公司里需要非常接地气，需要考虑具体要求，而且是实验性质的，如果不做实验尝试就没法知道哪个方法更能满足具体场景的需求。所以对于小公司来说，团队能不能快速试错、实验和迭代，这个能力可能比某个模型的质量或者模型本身能力的局限更加重要。
之前举的几个都是统计的例子，主要想说明我们如何选择算法，如何注重开发的成本、速度和最后的效果。其实深度学习的效果在推荐预测上已经渐渐超过了之前讲的一些统计模型，随着机器学习平台的成熟，以及相关模型的开源，我们也会考虑把之前在推荐里用的 GBDT 模型替换掉。
深度学习有什么好处呢？首先讲深度学习的一个缺点，就是抽取的特征比较没有解释性，人工特征比较好解释是因为预先设计了特征，然后再去构造。机器学习的特征在抽象完之后，仍然保留了很多信息，虽然不好解释，但是有一个好处，留给应用想象的空间很大，可以实现一些比较有创意的应用。比如去年有一段时间小红书上突然流行分享治痘，就是脸上有很多痘痘，怎么把它治好的这种文章，用户会秀很多自拍的、脸上长很多痘痘的照片，但不是每个用户都喜闻乐见脸上充满痘痘的照片，所以我们需要识别出这些照片，把它推荐给合适的目标人群，这也可以通过我刚才讲的 CNN model 来实现。我们尝试做这件事，发现它对全脸露出的、半脸、1/4 脸甚至脸上只有少量的脸部器官，都能识别为脸部图像，而且能够识别脸上有没有痘痘。CNN 还可以很好地识别这张图里是不是文本占了绝大多数，比如是不是一个截图，对 AntiSpam（反作弊）会有帮助。未来 CNN 还可以帮我们做更多，比如我们想做一些风格上的尝试，希望通过用户买的东西和经常看的东西能够知道用户穿搭的风格。
我指的小公司是怎样的小公司？首先是希望人工智能能够融入公司业务，是非常实用主义的小公司。它不是 Google，Facebook，阿里百度这样的大公司，大公司研究的更多是人工智能的平台和框架，提供什么样的服务，专注在训练和算法效率上的提升。同时也有区别于人工智能创业公司，这些公司人工智能是它的主业，比如视觉识别、自动驾驶，它们专注于算法的创新突破，算法准确率需要有比较大的提升。我讲的这些小公司，为了将人工智能融入公司业务，它需要更多的是被验证过的算法，它关注的是算法的实用性和开发维护的成本，对于这样的小公司，我们有经验，我想从两个方面谈一下，它应该怎么看待在自己的公司应用人工智能这件事情。
首先我觉得第一点非常重要，就是越来越多的人意识到机器学习、人工智能的应用成本加速降低，小公司要抓住这个机会，抓住人工智能发展提供给自己的红利。运算力、机器学习平台的开放大家都知道，Tensorflow、Caffe 以及 MXNet 都想扩大自己的 Community，希望能够有更多的公司和更多的开发者用他们的平台。
另外一点是模型的成熟和开源，这对于深度学习阶段尤其重要，因为在统计学习阶段模型也是开放的，但是这个阶段算法的核心不在模型，而在模型里使用的特征，特征工程是当时的核心。到了深度学习，情况发生了改变，因为深度学习的核心就是模型，模型能够抽取特征，能够很快地在分类、推荐、预测得到应用。
对一个小公司来说，我们是非常需要开源的，因为从头搭建自己的这套模型非常耗时、耗力，比如我们刚才用的神经网络，它有多少层，它的层和层之间应该怎样卷积，需不需要使用 dropout，这些都是需要花大量的时间做实验，对于小公司来说这样的投入并不值得，投入太大而产出效果可能并不太好。而且深度学习好的模型通用性非常强，比如我刚才举的例子，可以用它处理很多图像识别方面的问题。
最后一点是理论知识，我认为小公司如果有效地利用这点就能够比较快地享受到人工智能带来的利益。理论知识的相对重要性在降低，工程学习能力的重要性要求在上升，这说明个人力成本在下降。几年前在推荐预测上要做到比较好的结果还是很难的，大家可以参考 09 年的时候 Netflix 做了一个挑战奖金是一百万美金，想提高推荐系统的效率，全世界当时有相关知识而且能够把这些理论知识用到推荐系统里的人非常少，人力成本非常昂贵。那么到了现在呢，我记得 Google IO 上 TensorFlow Team 有个分享，说 2005 年大约一个研究室 6 个月想要做到的基于神经网络分类的效果，在今天一个优秀的 Python 开发者有一些 TensorFlow 的背景知识，大概需要几天就能远远超过当时的效果。
小公司对理论知识非常强的深度学习大牛的依赖程度大幅度降低了，而且一个小公司请个大牛并不划算，第一大牛特别贵，第二因为大牛一般有自己的研究方向，尤其到了今天这个时候，他可能有自己的计划，并不一定愿意花时间在小公司这种已经成熟的应用上面，这就不是每个小公司都能承担的起的，第三招个大牛并不代表一段时间内业务会有很大的提升，因为人工智能需要大量工程师协同完成。现在学习能力和工程能力强的团队，能够把已经验证过的算法在快速迭代中优化，能够实现自己的场景，这样的公司反而有比较大的优势。从平台到模型开发、到开发人员的成本，这些成本都在降低，由于这些成本降低，更多的人会进来，促使这些成本加速降低，这点是现在的小公司和初创的公司可以很好利用的。
算法应用和算法团队是整个人工智能应用的冰山一角，我们需要动用整个公司研发团队的力量来支持人工智能的落地。
首先是核心业务数据的设计，对我们的电商来说刚才说的归类商品的品类系统，这是非常重要的，以及这些系统的整理迭代，保证数据的清洁。我们内部想要做这样一件事情，因为我们的搜索经常会被一些不太好的数据干扰，我们需要设计一套系统，让我们内部的人针对我们的搜索引擎做一些 SEO（搜索引擎的优化），帮助我们清理业务的核心数据，并且让他们负责地去输入新的业务数据。
第二在前端对用户行为打点，甚至为了提高效率，要做到自动埋点，比如用户反馈行为，这个信息在整个机器学习应用中非常重要，信息的收集需要产品前端和我们配合，把打点做好。数据收集之后的分析和挖掘是数据、算法团队需要帮我们做的。下一点是训练数据的标注，这是算法团队需要做的事情。当我们需要大量做实验时，AB 测试的框架，实验上线后所有的指标是不是能够反映到 Dashboard 里，这都是需要非常多的人去投入的。
因为成本的降低人工智能正在加速从学术走向日常，希望能看到更多的公司和工程师进入实践机器学习的领域，期待看到更多激动人心的智能应用。以上就是我的分享，谢谢大家。
这款App对于大部分女性来说肯定很熟悉，她被奉为是“种草圣地”，每天都有上百万的女性用户会在闲暇时刻...
只发布了11篇笔记，有一篇中途突然违规了，所以现在只剩下10篇，而这10篇笔记在一个月的时间给我带来了……50+的公众号粉丝。另外，
是一个高端社区平台，拥有非常多的高质量客户群体，其中女粉占了70%，目前用户量已经突破2.5亿。根据官方数据分享，
决定由数据驱动？如何知道自己产品里的用户属性？你是不是也曾经思考过这些问题呢？这些问题是否曾经困扰过你呢？那么你一定不能错过 TGO 鲲鹏会上海分会《技术领导者的增长黑客落地实践》活动中，
最常见最基础的方式。 举我们曾经做过的一个案例，金稻是一家做美容产品的仪器，最早是做贴牌，现在开始逐步的往自己的品牌上去做一些东西，它想要投放的平台都是
会被下架？ 此前7月2日，由工信部发布的2019年一季度用户个人信息保护检查发现问题的互联网企业名单中，
美食号如何引流的吗？ 大家好，我是聪少，业内人称为我干货大师，今天给大家分享下，尤其是微商发展到今天，推广引流，发展粉丝方面，一直困扰着微商从业者，今天就来说说，如何从小红书美食...
哪个引流好？点击进来给大家免费分享 我认为微商引流更应该注重用户感受和体验，所以我推荐两个比较贴合的平台：新浪微博，
这样定义自己的社区平台。在这座花费五年时间搭建起来的「城市」里，超过一亿用户就像居民，「潮起潮落，人来人往」，而
”是如何引流赚钱的 在过去的2020年上半年，在公域领域获取客户越来越难，获客成本越来越高，这是很多营销人员头疼是事情。流量红利已经逐渐到达了顶端，每次进行内容推广的时候都要...
