第352章 大數據下的個性化推薦
「玩家能不能接受，不是我們現在要考慮的問題。我們要考慮的是，如果這款遊戲火了，它會不會落在別人手裡。
你去查一下，我的世界這個項目現在什麼狀態，開發者是誰，有沒有出售或者融資的意向。如果能收購就收購，如果收購不了，至少拿到中國區的獨家代理權。」
周凱在筆記本上寫下我的世界四個字，畫了個圈。
「我回去就查。另外，上次您說的搜打撤逃殺遊戲，項目前期評估已經做完了。」
「說。」
「技術上可行。三十個人單局對戰，地圖規模控制在中等尺寸，物資搜刮、縮圈、載具這些核心機制都能實現。
我們和天神引擎的團隊做了聯合預研，用現有的引擎跑了一個簡單的原型，幀率和穩定性都達標，但最大的問題是電腦性能。」
他翻開筆記本：「國內主流網吧的電腦配置，顯卡普遍在GeForce 8600到9600之間，內存2GB。
這個配置跑三十人的大地圖，幀率能穩在三十到四十幀，不算流暢但能玩。
如果要做到六十幀以上，得等下一代顯卡普及，大概要一年到一年半。」
「那就先按三十人做，等硬體跟上了再擴到五十人甚至一百人。先立項，不用等所有條件都成熟再動手。等條件成熟了再動手，機會早就沒了。」
周凱記下，點了點頭。
「林總，那項目組的人手怎麼配？」
「從天天互娛內部抽調，不夠的對外招。引擎組、網絡組、數值組、美術組，四個方向並行。人數控制在五十人以內，不要一下子鋪得太大。等第一版可玩Demo跑通了，再決定要不要加人。」
「明白。」
周凱起身收拾文件時，辦公室門被敲響了。
蘇晴推門進來，身後跟著一個穿深灰色夾克的年輕男人，個頭中等，戴著一副黑框眼鏡，手裡拎著一個舊公文包。是張一鳴。
「林總，張總到了。」
「進來坐。」林辰朝張一鳴點了點頭，又看了周凱一眼。
周凱會意，拿起筆記本朝門口走去，路過張一鳴身邊時拍了拍他的肩膀：「一鳴，回頭聊。」
張一鳴在沙發上坐下，把公文包放在腳邊，看起來比幾個月前瘦了一些，但精神狀態不差。
「林總，您找我。」
「今日頭條上線兩個月了，運營情況怎麼樣？」
張一鳴有些拘謹，先在心裡組織了一下語言：「目前註冊用戶四百二十萬，日活八十五萬。用戶日均使用時長十七分鐘，次日留存率百分之四十二，七日留存率百分之二十八。」
「推薦效果呢？」
「推薦準確率比初期提升了將近一倍，初期我們用的是純協同過濾，後來引入了內容特徵和用戶行為序列，推薦的相關性明顯提升。目前點擊率在百分之八左右，比行業平均水平高出一截。」
「主要用戶來源？」
「預裝占大頭，藍天S3預裝了今日頭條，藍光X2也預裝了。深藍應用商店的下載量大概占兩成，剩下的來自口碑傳播和社交分享。」
張一鳴頓了頓，補充道：「但有一個問題。目前的內容源主要靠抓取，合作的媒體和自媒體數量不夠多。用戶刷來刷去，時間線里經常出現重複內容，影響使用體驗。」
張一鳴點頭：「明白，我回去就做一個內容源拓展方案。另外，我想申請一批伺服器資源。隨著用戶量增長，推薦模型的訓練和推理對算力的要求越來越高。」
林辰點點頭，這確實是。隨著用戶規模增長，存儲的數據和需要的計算能力都會越來越多。
不過這也是找他來的目的，今日頭條的推薦引擎本質上是一套用戶興趣建模和內容匹配系統。
這套系統和搜索、廣告推薦、雲服務的用戶畫像，底層邏輯高度重合，這幾個方面必須要協同整合才行。
「一鳴，我帶你去找一個人。」
張一鳴愣了一下，但沒多問，拿起公文包跟著林辰出了辦公室。
兩人坐電梯下到十七樓，雲服務部門的辦公區里燈火通明。
已經是傍晚六點多了，但工位上還坐著大半的人，屏幕上跳動著各種監控面板和調試日誌。
張婷正站在一塊大屏幕前，屏幕上顯示著雲服務架構的實時運行狀態，各種曲線和數字密密麻麻。
聽到腳步聲，她回過頭來，看到林辰身後跟著張一鳴，微微挑了挑眉。
「林總，張總。」
「張婷，找個安靜的地方，我們聊聊。」林辰說。
張婷把他們帶進旁邊的小會議室，順手拉上門。
林辰坐下後開門見山：「張婷，今日頭條那邊需要推薦模型訓練和推理的算力支持。
但今天找你不只是要資源，我想讓你和張一鳴坐下來，把雲服務、用戶畫像、推薦算法這三件事的技術底座統一規劃一下。」
張婷翻開筆記本，先問了一句：「林總，您說的統一規劃，是指數據打通還是架構統一？」
「都是。雲服務的數據管道、今日頭條的推薦引擎、廣告聯盟的用戶畫像，這三套系統背後都需要同一套東西。
用戶行為數據的採集、清洗、存儲、計算、建模。
如果各做各的，等於三套團隊在重複工作。
浪費資源是小事，更麻煩的是數據割裂。
用戶的行為數據分散在不同的系統里，每個人只能看到一部分，畫像就不完整。」
張婷沉思片刻，在筆記本上畫了一個簡圖：「如果要做統一，核心是數據中台。把用戶行為數據的採集、清洗、存儲、標籤化做成一整套標準化服務，上面再分三個應用層。
搜索用一套，推薦用一套，廣告用一套。底層數據是共享的，上層應用各自獨立。」
「對，就是這個意思。」林辰看向張一鳴。
「一鳴，你覺得呢？」
張一鳴推了推眼鏡，顯然在快速消化這個思路：「技術上沒問題，但有一個顧慮。今日頭條的推薦模型是我們自己疊代出來的，如果底層數據換成統一中台，模型訓練的效率可能會受一些影響。」
張婷接話道：「不會。數據中台只是負責數據的採集、清洗、存儲和標籤化。
模型訓練和推理還是你們自己的團隊做，只是數據源從你們自己抓變成從中台取。
中台會把數據標準化，接口統一，你們拿到的數據質量比現在高。」
你去查一下，我的世界這個項目現在什麼狀態，開發者是誰，有沒有出售或者融資的意向。如果能收購就收購，如果收購不了，至少拿到中國區的獨家代理權。」
周凱在筆記本上寫下我的世界四個字，畫了個圈。
「我回去就查。另外，上次您說的搜打撤逃殺遊戲，項目前期評估已經做完了。」
「說。」
「技術上可行。三十個人單局對戰，地圖規模控制在中等尺寸，物資搜刮、縮圈、載具這些核心機制都能實現。
我們和天神引擎的團隊做了聯合預研，用現有的引擎跑了一個簡單的原型，幀率和穩定性都達標，但最大的問題是電腦性能。」
他翻開筆記本：「國內主流網吧的電腦配置，顯卡普遍在GeForce 8600到9600之間，內存2GB。
這個配置跑三十人的大地圖，幀率能穩在三十到四十幀，不算流暢但能玩。
如果要做到六十幀以上，得等下一代顯卡普及，大概要一年到一年半。」
「那就先按三十人做，等硬體跟上了再擴到五十人甚至一百人。先立項，不用等所有條件都成熟再動手。等條件成熟了再動手，機會早就沒了。」
周凱記下，點了點頭。
「林總，那項目組的人手怎麼配？」
「從天天互娛內部抽調，不夠的對外招。引擎組、網絡組、數值組、美術組，四個方向並行。人數控制在五十人以內，不要一下子鋪得太大。等第一版可玩Demo跑通了，再決定要不要加人。」
「明白。」
周凱起身收拾文件時，辦公室門被敲響了。
蘇晴推門進來，身後跟著一個穿深灰色夾克的年輕男人，個頭中等，戴著一副黑框眼鏡，手裡拎著一個舊公文包。是張一鳴。
「林總，張總到了。」
「進來坐。」林辰朝張一鳴點了點頭，又看了周凱一眼。
周凱會意，拿起筆記本朝門口走去，路過張一鳴身邊時拍了拍他的肩膀：「一鳴，回頭聊。」
張一鳴在沙發上坐下，把公文包放在腳邊，看起來比幾個月前瘦了一些，但精神狀態不差。
「林總，您找我。」
「今日頭條上線兩個月了，運營情況怎麼樣？」
張一鳴有些拘謹，先在心裡組織了一下語言：「目前註冊用戶四百二十萬，日活八十五萬。用戶日均使用時長十七分鐘，次日留存率百分之四十二，七日留存率百分之二十八。」
「推薦效果呢？」
「推薦準確率比初期提升了將近一倍，初期我們用的是純協同過濾，後來引入了內容特徵和用戶行為序列，推薦的相關性明顯提升。目前點擊率在百分之八左右，比行業平均水平高出一截。」
「主要用戶來源？」
「預裝占大頭，藍天S3預裝了今日頭條，藍光X2也預裝了。深藍應用商店的下載量大概占兩成，剩下的來自口碑傳播和社交分享。」
張一鳴頓了頓，補充道：「但有一個問題。目前的內容源主要靠抓取，合作的媒體和自媒體數量不夠多。用戶刷來刷去，時間線里經常出現重複內容，影響使用體驗。」
張一鳴點頭：「明白，我回去就做一個內容源拓展方案。另外，我想申請一批伺服器資源。隨著用戶量增長，推薦模型的訓練和推理對算力的要求越來越高。」
林辰點點頭，這確實是。隨著用戶規模增長，存儲的數據和需要的計算能力都會越來越多。
不過這也是找他來的目的，今日頭條的推薦引擎本質上是一套用戶興趣建模和內容匹配系統。
這套系統和搜索、廣告推薦、雲服務的用戶畫像，底層邏輯高度重合，這幾個方面必須要協同整合才行。
「一鳴，我帶你去找一個人。」
張一鳴愣了一下，但沒多問，拿起公文包跟著林辰出了辦公室。
兩人坐電梯下到十七樓，雲服務部門的辦公區里燈火通明。
已經是傍晚六點多了，但工位上還坐著大半的人，屏幕上跳動著各種監控面板和調試日誌。
張婷正站在一塊大屏幕前，屏幕上顯示著雲服務架構的實時運行狀態，各種曲線和數字密密麻麻。
聽到腳步聲，她回過頭來，看到林辰身後跟著張一鳴，微微挑了挑眉。
「林總，張總。」
「張婷，找個安靜的地方，我們聊聊。」林辰說。
張婷把他們帶進旁邊的小會議室，順手拉上門。
林辰坐下後開門見山：「張婷，今日頭條那邊需要推薦模型訓練和推理的算力支持。
但今天找你不只是要資源，我想讓你和張一鳴坐下來，把雲服務、用戶畫像、推薦算法這三件事的技術底座統一規劃一下。」
張婷翻開筆記本，先問了一句：「林總，您說的統一規劃，是指數據打通還是架構統一？」
「都是。雲服務的數據管道、今日頭條的推薦引擎、廣告聯盟的用戶畫像，這三套系統背後都需要同一套東西。
用戶行為數據的採集、清洗、存儲、計算、建模。
如果各做各的，等於三套團隊在重複工作。
浪費資源是小事，更麻煩的是數據割裂。
用戶的行為數據分散在不同的系統里，每個人只能看到一部分，畫像就不完整。」
張婷沉思片刻，在筆記本上畫了一個簡圖：「如果要做統一，核心是數據中台。把用戶行為數據的採集、清洗、存儲、標籤化做成一整套標準化服務，上面再分三個應用層。
搜索用一套，推薦用一套，廣告用一套。底層數據是共享的，上層應用各自獨立。」
「對，就是這個意思。」林辰看向張一鳴。
「一鳴，你覺得呢？」
張一鳴推了推眼鏡，顯然在快速消化這個思路：「技術上沒問題，但有一個顧慮。今日頭條的推薦模型是我們自己疊代出來的，如果底層數據換成統一中台，模型訓練的效率可能會受一些影響。」
張婷接話道：「不會。數據中台只是負責數據的採集、清洗、存儲和標籤化。
模型訓練和推理還是你們自己的團隊做，只是數據源從你們自己抓變成從中台取。
中台會把數據標準化，接口統一，你們拿到的數據質量比現在高。」