SOHO办公室的角落里，有一间常年拉着窗帘的小房间。

    那里是Halo的“大脑”——算法实验室。

    房间里没有杂乱的电线，也没有那种极客风的涂鸦。

    只有四面巨大的白板，上面写满了密密麻麻的数学公式。

    空气中弥漫着一种干燥的粉笔灰味道。

    这位从普林斯顿出来的数学博士，此时正面临着他职业生涯中最大的挑战。

    “不行。还是不行。”

    大卫把粉笔头扔在地上，有些焦躁地抓了抓稀疏的头发。

    “数据太稀疏了。虽然我们有几百万用户，但大部分人只对自己感兴趣的那一点点东西点赞。矩阵里全是零。按照现在的线性回归

    “也就是说，我给一个喜欢看猫的用户推了狗的照片，他可能会觉得我在侮辱他的智商。”

    顾清舟坐在旁边的椅子上，手里拿着一份数据报表。

    他看着大卫，就象看着一个陷入死胡同的绝世高手。

    在2007年，推荐算法还是个新鲜词。

    大部分网站还在用人工编辑的方式来决定用户看什么。所谓的“个性化”，顶多就是根据你填写的性别和年龄，给你推不同的GG。

    但Halo要做的是——猜你喜欢。

    “大卫，你把问题想复杂了。”

    顾清舟站起身，走到白板前。

    “你试图用一个完美的数学公式去解构人性。但人性是不完美的，是混沌的。”

    他擦掉了一块复杂的矩阵运算，画了一个简单的坐标轴。

    “我们不需要知道用户到底喜欢什么。我们只需要知道，他和谁像。”

    “协同过滤。”

    顾清舟写下了这四个字。

    这是亚马逊用来卖书的逻辑。

    但在社交网络里，它更有效。

    “假设用户A喜欢看美女、豪车和科技新闻。用户B也喜欢看美女和豪车。”

    “那么，当用户A给一张新的iPhone照点了赞时，我们就可以大胆地推测——用户B也可能喜欢这张照片。”

    “即使B从来没看过科技新闻。”

    大卫的眼睛亮了一下，但随即又黯淡下去：“这个理论我知道。但在海量数据下，计算量太大了。我们要实时计算几百万用户之间的相似度？服务器会烧掉的。”

    “降维。”

    顾清舟在坐标轴上画了几个圆圈。

    “我们不需要计算每个人。我们把人变成‘矢量’。”

    “给每个用户打标签。比如：美妆、极客、摄影、美食、宠物……”。”

    “我们只需要计算矢量之间的夹角。夹角越小，这两个人越象。”

    “然后，把那个像的人看过的东西，推给他。”

    大卫盯着白板上的那个坐标轴，脑海里仿佛有一道闪电划过。

    作为数学家，他习惯了追求精确解。

    但在商业应用里，有时候“模糊的正确”比“精确的错误”更有价值。

    “矢量化……”大卫喃喃自语，“这确实能极大地降低计算量。我们可以把用户的行为日志脱机处理，生成用户画象矢量，然后在在线实时匹配内容矢量。”

    “可是，还有一个问题。”

    大卫推了推眼镜，指出了关键，“冷激活。对于那些刚注册的新用户，我们没有任何数据，怎么给他们生成矢量？”

    “那就‘骗’他们交出数据。”

    顾清舟笑了。

    “在注册流程里，加一步。让用户选三个感兴趣的标签。比如：你喜欢猫还是狗？你喜欢旅行还是宅家？”

    “这不仅是为了收集数据，更是为了给用户一种‘被尊重’的错觉。让他们觉得，Halo是在为他们量身定制的。”

    “而且……”

    顾清舟走到大卫身边，压低了声音。

    “我们还有一个杀手锏。”

    “什么？”

    “位置服务。”

    “一个人在哪，决定了他是谁。”

    “如果一个用户经常出现在华尔街，那他大概率对财经和豪车感兴趣。如果他经常出现在苏荷区，那他可能是个时尚达人。”

    “把地理位置信息也加进矢量里。”

    大卫深吸了一口气。

    他看着顾清舟，眼神里多了一丝敬畏。

    这个年轻人不仅懂产品，更懂那些隐藏在数据背后的逻辑。

    “我明白了。”

    大卫转身，拿起一支新的粉笔。

    “给我三天。我会重写推荐引擎的内核算法。”

    “我要把Halo的用户，拆解成