流媒体服务

 

我们还可以看看流媒体服务推荐背后算法的复杂性。据估计，注册蓝冠娱乐Netflix上80%的电视剧和电影都是通过其签名推荐系统找到的。正如你可能预期的那样，Netflix在做出推荐前会收集数千个数据点，计算你看了多少小时，看了哪些节目和电影，你的列表中有哪些内容，以及你如何对这些内容进行评级(尽管这个功能不再活跃)。然后Netflix把人们分成不同的“品味群体”，或者是有相似偏好的人的集合。有趣的是，Netflix雇佣人类将电影和电视节目分类为不同的、超特定的“微类型”，这样它们就可以被推荐给正确的人。然后，将新建议排序为一系列行，极有可能匹配在左上角，而质量较差的匹配在右下方。

 

Spotify也做了类似的事情，尽管它更依赖于其个人听众喜欢的音乐。它也会把听众分成相似的品味类别，然后根据它在与你相似的人的播放列表中发现的内容，推荐艺术家。

 

相关报道:Instagram已经回答了你关于它的算法如何工作的问题

 

交友应用

 

算法的一个最有趣的利基市场是它们在约会应用程序世界中的应用程序，这些应用程序仅使用少数几个因素，试图基于浪漫的兼容性来匹配人们。例如，Tinder有一个秘密的内部评级，根据个人用户被点赞的频率对他们进行评分，并根据这些刷屏者的吸引力进行加权。最终，人们被按受欢迎程度分组。你更有可能出现在与你同级别的人的堆栈中。当然，该应用程序还整合了其他因素，比如年龄、位置和潜在匹配对象之间的个人资料相似性。

 

这里提到的大多数算法都是高度专有的，因此可以理解，我们无法深入了解它们是如何工作的。然而，有一些重要的教训需要考虑。首先，质量算法基于多个目标进行判断，而不是只有一个目的。其次，它们依赖于庞大的数据集。最后，算法在不断进化，使它们能够适应新的发现，并不断接近完美。从零开始开发算法并不容易，但它可能是企业长期成功的最关键因素之一。如今，我们的生活似乎在很大程度上受制于算法。我们的流媒体服务根据我们之前的观看历史和明显的品味来决定哪些电影和电视剧适合我们。我们的约会应用程序为我们设置了可能点燃浪漫的火柴。甚至我们的拼车应用程序也试图将我们与路上最好的司机联系起来。

 

那么，创业公司是如何处理这些匹配算法的开发的呢?普通创业者能从这些例子中学到什么呢?

 

随意组合

 

首先，优步(Uber)等拼车服务使用特定的调度算法，蓝冠招商以确保最接近、最适合拼车的车辆总是适合拼车的那辆。尽管有这样一个简单的前提，但是算法的体系结构相当复杂。有两个主要的目标:为乘客提供快速的到达和最大化每个司机可以乘坐的车辆数量。优步使用基于代理的模型，对不同的参数组合进行实验，得出不同的结果，计算因素包括独立司机是在漫游还是静止，以及不同司机与城市中乘客的距离。只有通过深入的实验和不断的调整，优步才能找到一个对乘客和乘客都有效的可靠算法。

 

相关内容:算法如何比我们更快地预测我们的意图

 

医疗算法

 

与医学和医疗保健相关的算法通常是根据生物兼容性设计的。例如，veability使用匹配问题算法方法，根据经验和对许多不同维度的偏好，尝试匹配代理、捐赠者和父母。这包括先前的健康病史，在某些情况下甚至包括性格特征。

 

有些健康问题比其他的更简单。例如，有8种不同的血型，并且根据接受者的血型有一个清晰的献血者价值等级。从技术上讲，O型血阴性的献血者是一个通用的献血者，能够向任何受体供血，无论其血型如何，但在大多数情况下，a型血阴性的受体与a型血阴性的供者相处得更好。算法还需要纳入数据，比如当前的供应水平、每种血型的稀缺性以及当前累积的患者需求。例如，如果血液中缺少一种阴性物质，那么O阴性物质可能更适合。