系统优化

系统优化

要优化三星系统，可以尝试以下几种方法：1. 清理手机存储空间：删除不必要的应用程序、照片、视频和文件，以释放存储空间。可以使用系统自带的文件管理器或专业的存储清理工具来清理垃圾文件。2. 禁用或卸载不必要的应用程序：禁用或卸载不经常使用或不需要的应用程序，这可以帮助提高系统性能和节省电量。在应用程序设置或应用程序管理中进行禁用或卸载操作。3. 关闭后台运行的应用程序：在应用程序切换界面或设置中，关闭后台运行的应用程序。这可以减少系统资源的使用，提高系统响应速度。4. 更新系统和应用程序：及时更新系统和应用程序，以获取最新的功能和修复程序。可以在系统设置中的“软件更新”或应用商店中进行更新。5. 使用省电模式：打开系统的省电模式（如三星的“省电模式”），可以限制背景活动、减低屏幕亮度等，延长手机使用时间。6. 清理缓存：定期清理应用程序缓存，可以释放存储空间和提高应用程序的运行速度。可以在系统设置中的“存储”或应用程序设置中进行缓存清理。7. 启用性能模式：在设置中找到“性能”或“电池”选项，调整为更高性能模式，以提高系统响应速度和流畅度（请注意，此做法可能会消耗更多的电量）。8. 重启手机：定期将手机重启，可以帮助清除内存中的临时数据和进程，并提高系统表现。需要注意的是，对于不精通系统优化的用户来说，最好谨慎进行更改或关闭系统设置，以免影响系统稳定性。如果有任何疑问或不确定，请咨询三星官方技术支持或专业人士的帮助。 

系统优化包括哪些内容

在推荐系统当中，一旦策略产品经理和算法工程师在商量与构建优化目标不够准确，这会带来的后果就是和实际期望的效果南辕北辙、大相径庭，甚至给整个公司业务目标、商业收入带来致命的影响。

有一句话说的很好：如果一项技术本身是新颖并且先进的，但是应用的方向和实际需求的方向有很大的偏差，那么这项技术的成果不可能是显著的。

做策略产品在构建你的目标的时候，一定要像毛主席说的那样“战术上藐视敌人战略上重视敌人”。

切忌不能用战术上的勤奋掩盖战略上的懒惰，所以合理设定与构建推荐系统业务目标建模应该是推荐策略产品经理需要再构建推荐系统业务目标排序的时候应该首要考虑的问题，这也是Arthur在这里着重强调业务建模的重要性。

这里以抖音短视频、京东作为推荐系统的两个案例，来讲讲内容推荐场域、电商推荐场域下构建优化目标建模的差异。

一、抖音短视频以构建有效观看时长为优化目标的合理性1.1 抖音短视频现状与背景抖音短视频的主要商业模式是通过免费视频播放带来的广告收入（此处仅说明巨量广告，非巨量千川广告，CPM计费），其视频广告会在自然推荐的媒体视频之间进行穿插，因此抖音本身的广告收入适合用户的观看时长、下拉短视频数量呈现正比关系的。

因此为了达成抖音短视频的商业目标，其优化核心建模不是围绕点击率CTR、等传统推荐系统意义上的CTR预估优化目标，而是用户的有效播放时长。

图1-1 抖音推荐系统如上图所示，我们逻辑推演与猜想下来看，用户的点击率CTR在数据分布上会与用户的短视频播放时长有一定的正相关性，但是两者还是存在“用户、物料特征”以及“优化动机”上存在一定的差异。

图1-3 抖音优质内容如果推荐系统是优化观看时长来看的话，更多的就需要考虑视频本身的质量、内容的兴趣度，用户视频的互动、好评以及视频本身的长短特征内容，此时推荐 优质的内容 > 吸睛的内容。

所以综上述来看推荐目标建模的差异其实就直接导致了推荐系统倾向性、特征工程等细节策略工作的不同，进而就直接影响了“增加用户播放时长”这个集团商业化目标。

1.2 Youtube在推荐系统排序模型设计我们借助Youtube在推荐系统模型来距离推演一下（抖音与youtube在优化视频优化目标上有一定的相似性，因此可以作为借鉴），引入播放时长作为优化目标。

其本质还是把推荐视频的问题看做是一个分类问题对待，也就是预测用户是否点击某个视频。

这一点大家肯定会比较好奇，Arhtur的老粉应该知道，预测短视频的播放时长应该是个回归问题（预测离散数值），而不是个分类问题。

Youtube巧妙就在于其把播放时长转化成了正样本的权重，输出层再利用加权的逻辑回归进行训练，预测过程中利用算式来计算样本的概率，这个概率就是模型对播放时长的预测，这就完美的把逻辑回归输出的结果映射成了对于观看时长的预测。

图1-4 Youtube推荐模型框架设计从左往右的部分用的是依次是视频观看的低维稠密embedding向量，包括历史看过的视频id，曝光视频id、互动行为下的视频id等等然后做平均池化。

第二个是语言Embedding，主要是用户语言以及视频语言。

第三个是对上次观看时间进行归一化。

第四个是对已经曝光次数进行归一化。

由此而看，视频对于播放时长的预测是符合抖音、Youtube视频类型广告盈利模式和商业价值的，制定一个合理的优化目标对于推荐系统实现商业目标是关键而且非常有必要的。

二、淘宝、京东电商推荐系统以构建点击转化率为优化目标的合理性2.1 电商场域构建点击转化率优化目标的难点在淘宝等电商类网站做推荐，用户从登陆到购买的过程可以划分为两步：第一步，商品发生曝光行为，用户点击后进入商品详情落地页。

第二步，用户在商品内页发生成交、下单行为。

电商网站推荐系统的商业目标是通过推荐使用用户产生更多的点击、购买行为。

所以如果按照这个商业建模目标来说应该是一个CVR预估模型。

图1-5 淘宝、京东推荐系统但是大家应该有所发现，下单成交的行为其实是发生在了第二步，故推荐CVR模型在进行训练的时候光训练点击后的成交转化行为样本其实是脱节的——客户并不是登陆电商APP就直接到了商品详情页，一定是曝光一跳页面点击发生之后预估转化CVR模型才会有效。

如果直接在一跳创意信息流情形暴力预估转化率CVR，肯定会有预估偏差，导致效果与目标的不一致问题。

图1-6 训练空间和预测空间不一致问题如1-6所示，点击Click点击 -> Conversion转化和Impression展现 -> Click点击，存在样本空间衔接，但是本身是相互独立的，两者没有完全的正相关关系，所需要的样本、模型需要的特征、属性都是不一样的。

例如点击可能只是看用的兴趣，可以用比较吸引眼球的创意 99%的人都在卖，100%好评，70%的都在回购等。

但是成交考虑的特征可能更多的就是物品的优惠程度、用户的消费力等特征。

所以，最佳的思路方法还是分两步来构建模型，第一步构建CTR点击率预估模型，第二步构建点击转化的CVR预估模型。

这个方法有个缺陷就在于第一步CTR模型预估其实和最终的优化目标是脱节的，因为问题的最终是希望优化下单成交而不是点击，在第一步只考虑点击数据显然不是全局最优。

其同时模拟优化CTR、CVR两个阶段。

中间的神经网络域感知池化层、多层感知机，两个目标的模型各自独立完全隔离，去拟合各自的优化目标pCVR和pCTR，最终在最上部分预估点击率pCTR和预估转化率pCVR相乘得到最后的结果预估点击转化率pCTCVR，两者之间的关系如下图所示。

pCTCVR是左侧，指代一个条件概率事件，首先必须要发生曝光点击行为，即p(y = 1 | x)，再来计算CVR转化概率。

三、关于推荐系统构建优化目标因地制宜的一些思考与总结所以从上述的例子可以看出来，无论是抖音、YouTube，还是淘宝、京东，推荐系统的应用场景和真正的商业目标其实是有差异的，并不是推荐系统可以“一招鲜吃遍天”的方式进行优化，所有的推荐系统都按照一个优化目标方向都采用统一的模型去优化。

很多策略产品、算法工程师都是直接调研照抄行业最领先的模型，表示“阿里用的就是这个，你别管做完实验推全就行了”，这是典型的没有将实际业务场景和策略目标相结合。

为什么一直鼓励大家一定要距离业务更近一点？对业务目标建模后面才是我们运用“策略”这个工具帮助我们高效去实现业务目标的达成，每一个策略产品首要遵循的原则就是结合公司业务发展的阶段与场景，来实现优化目标的落地，这不是一个纯粹的系统性技术问题，而是多方协调一致的结果，需要产品、运营，前台内容团队共同协商达成的结果，只有确定好优化目标，技术团队才可以转型的致力于模型的改进和调整，上下同心去解决公司的也目标，避免战略性的错误和失败，提高各方效率。

最后，还是一句建议给到策略产品经理的小伙伴们：战术上藐视敌人战略上重视敌人，切忌不能用战术上的勤奋掩盖战略上的懒惰。