劉燕

八年前，豆瓣創(chuàng)始人楊勃開始為豆瓣寫第一行代碼時，就有了一個明確的方向——做一個關于生活發(fā)現(xiàn)的服務，也就是為人們推薦真實生活里的好東西。

“世界上一直沒有一個偉大的‘生活發(fā)現(xiàn)網(wǎng)站可以供我們參考，豆瓣一邊做一邊琢磨，希望可以成為一個這樣的網(wǎng)站?！睏畈f。

朝著這個目標，豆瓣有了自己的特點：工程師人數(shù)超過半數(shù)，他們不斷更新算法技術，解讀用戶每一次瀏覽痕跡背后的邏輯關系，最終高效地為用戶帶來最匹配的推薦結果。

這恰好是大數(shù)據(jù)時代最需要的質素，然而在當年，只有豆瓣在琢磨一個讓人覺得奇怪的算法邏輯——“你先告訴我你喜歡什么，然后我向你推薦你更喜歡、更需要什么”。

讀懂你

“許多口味最類似的人卻往往是陌路，如果能不一一結交，卻知道成千上萬人的口味，能從中間迅速找到最臭味相投的，口口相傳的魔力一定能放大百倍，對其中每一個人都多少會有幫助?！卑殡S這一愿望，豆瓣誕生了。

而豆瓣的核心能力是從技術引擎開始的。當時，豆瓣對“發(fā)現(xiàn)”的理解是“個性化算法推薦”，也就是“豆瓣猜你會喜歡”，這形成了楊勃對豆瓣最初的設想：通過精準強大的算法為用戶進行產(chǎn)品推薦。

但在這之前，還需要建立全面的興趣圖譜。

創(chuàng)辦豆瓣后的第三年，豆瓣開始加強“口口相傳的魔力”，推出了曾經(jīng)叫做“友鄰廣播”的“豆瓣說”。接下來，豆瓣社區(qū)效應的表現(xiàn)越來越明顯，很多用戶開始在群組活動里談論生活的方方面面，這讓楊勃意識到，是時候將豆瓣社區(qū)單列出來，并分化出線上活動、豆瓣小站。

其中，豆瓣小組從上線至今已經(jīng)有超過30萬個興趣小組被用戶創(chuàng)建，每個月吸引5500多萬人訪問，而話題更是延伸到娛樂、旅行、美容、購物、二手交易、租房等生活的方方面面。這是興趣圖譜數(shù)據(jù)最大的來源所在，也讓豆瓣能從圖書、電影、音樂三大主題擴展到更多生活領域。

豆瓣也一直試著通過用戶行為分析，最終將產(chǎn)品延伸到多個簡單實用的生活服務組合中。不過，不是每一個產(chǎn)品都能存活下來。2006年，豆瓣推出“我去”——專注旅行分享的主題， 很快因不受歡迎而停掉。相反，生活類小站、社區(qū)中二手交易、團購、手機應用等信息，受到好評。推出新產(chǎn)品、發(fā)起用戶意見反饋、最終由用戶決定產(chǎn)品去留，是豆瓣的慣性做法，但除了直接反饋之外，他們更信奉數(shù)據(jù)量化分析，采取主動的方式去獲得真實聲音而非被動等用戶的“抗議”。

“豆瓣有這么一群用戶，他們更有特點，更愿意展示多維的興趣圖譜，所以我們的數(shù)據(jù)會更加豐富?！倍拱晔紫茖W家王守崑說，基于算法技術進行個性化推薦，豆瓣成立時國內還沒有太多人研究，做得早也成為一種優(yōu)勢。

通過算法自動推薦給你的個性化內容，背后是不斷改進的算法程序，每天從豆瓣頁面的各個角落統(tǒng)計你的使用行為，比如點擊“收藏”、“感興趣”等內容，從而判斷并猜測你的喜好，然后把相匹配的內容推送在你進入豆瓣時的主頁面。

當然，那些越是專注在某一個領域的用戶，得到的推薦越精準。這也使得豆瓣在推動有共同愛好、價值觀的用戶集中在一起，形成一個個圈子，由此可以解釋，為什么不少連載故事會在這里產(chǎn)生更直接的粉絲效應。

豆瓣猜

最早成為豆瓣算法實驗的領域就是圖書、電影和音樂，因為楊勃認為，它們更適合、更易于做個性化推薦。“在做算法這個領域，有個共識就是有什么樣的數(shù)據(jù)就會產(chǎn)生什么樣的結果，我們在這方面的基礎會更好一些?！蓖跏貚嬚f。

不得不以豆瓣電臺為例，連楊勃自己都稱其為“豆瓣核心技術最完美的展現(xiàn)”。

打開豆瓣FM，一首歌放出來，可以直接跳過那些不喜歡的，也可以用點擊紅心的動作表示喜歡，或者直接丟進垃圾桶再也不聽。這是電臺更了解聽者喜好的簡單方式，通過與聽者的這種交互模式，使算法推薦的發(fā)揮越來越準確。

剛組建豆瓣音樂時只有幾個人，都是從原來的豆瓣大團隊拆分出來，其實并沒有新團隊的感覺，但面臨的挑戰(zhàn)又很大，因為當時產(chǎn)品技術各線幾乎都是單槍匹馬，想做的事情卻很多，有種重新創(chuàng)業(yè)的感覺。

通過分析5年間積累的用戶音樂偏好，音樂團隊設計出一套復雜的基礎算法：

用“用戶歌曲矩陣”的傳統(tǒng)方法，計算和每首歌近似的歌曲集合，并依次作為核心數(shù)據(jù)，然后為每個用戶維護一個線性的播放列表，每當用戶對一首歌曲給出正向反饋，系統(tǒng)會取出與這首歌相似的歌曲列表中的幾首，插入用戶當前的播放列表。反之，如果一個用戶點擊“跳過”或“垃圾桶”，系統(tǒng)會從這個列表中刪除那些與這首歌相關性高的歌曲。

反復測試中，他們也發(fā)現(xiàn)還需要補充一些策略。針對刪除同一個歌手的歌曲，或是連續(xù)點擊喜歡或跳過的用戶行為，進行特殊建模，根據(jù)當前時間推薦不同曲風的歌曲。另一方面，加強針對同類用戶對比的算法來提高效率。

基于這一切努力，豆瓣猜的終極目標是這樣的：每天你打開豆瓣，滿眼看到的都是各類你會感興趣的新東西。我們迫不及待地想和你一起讓這個畫面成為現(xiàn)實。而豆瓣電臺就是一個實驗，選擇了網(wǎng)絡收聽這種最簡單的模式，把復雜的邏輯和計算隱藏在后臺，采用個性化推薦技術作為核心的算法，呈現(xiàn)給用戶最易用的交互和體驗。

跟著用戶走

當用戶達到一定數(shù)量，內容更為生活化之后，楊勃發(fā)現(xiàn)依靠機器完成的算法推薦遠沒有用戶推薦的效果好，于是核心能力慢慢轉化為對用戶需求的分析和挖掘。

在這個過程中，對數(shù)據(jù)的挖掘與認識，不僅幫助豆瓣給用戶推送更精確的內容，更推動了一系列好產(chǎn)品的出現(xiàn)。正如豆瓣從不認為，是他們打造了豆瓣的氛圍和方向，而恰恰是用戶一步步帶著豆瓣成長成為今天的模樣。

半只腳踏入商業(yè)化的購書單功能，就是如此而來。從用戶體驗的角度來說，從推薦、發(fā)現(xiàn)的決策參考到達成購買，是一個完整決策行為的流程。豆瓣提供購書單的比價、購買鏈接功能，在楊勃看來，完全是順勢而為的事。

也正是這些基于后臺用戶行為數(shù)據(jù)，推動豆瓣在分析過后做出上線電商導購平臺“東西”的決策。“我們一直期待能夠做出這樣的一款產(chǎn)品，它簡單、好用，他熟悉每個使用者的脾氣秉性卻又和他們保持距離，它能夠給每個使用者貼心的服務同時又能夠聚合機體的智慧，它在各個場合之下，都能夠提供完美、一致的體驗。”在豆瓣電臺一周年時，王守崑這樣說道，同樣能體現(xiàn)豆瓣面對商業(yè)化產(chǎn)品的心態(tài)。

數(shù)據(jù)的價值，在楊勃認定豆瓣做“推薦”時就已經(jīng)被高度重視。在豆瓣，每一個用戶的背后，都存放著一個持續(xù)擴大的專屬數(shù)據(jù)庫，隨著數(shù)據(jù)庫所覆蓋的興趣圖譜不斷擴大，更精準的推薦使用戶對內容的接受程度也會越高。而這正是移動互聯(lián)網(wǎng)時代競爭的最激烈一環(huán)，慢豆瓣會迎來厚積薄發(fā)的一天嗎？