第1212章 W＋Deep＋X还能用到短视频领域？（2/2）

“嗯嗯，这个我明白”

张明点头应道。

“对了，你们也可以等课程表的首款AI产品面世，张江那边做出了一款AI产品，我觉得可能对抖音的算法有点启发””

王卓突然想到了研究院推出的w＋deep＋x模型。

“哪方面的产品？”

张明问道。

“将在线翻译、线上问答以及文献整理等功能集齐在一款产品上的AI应用”

“嗯？LSt框架？”

“差不多吧”

说着，王卓将这款产品的大致功能进行了一番介绍。

当然了，这是基于他浅薄的技术知识的介绍。

同时他也将自己心中的猜想说了出来。

原因就是这套模型既然可以实现三条任务的运用，那有没有可能在算法上基于用户兴趣作出推荐呢？

比如w记录用户基础特征，记忆用户明确行为偏好，将用户的兴趣爱好存入w数据库，保证推荐不出错。

而deep则可以泛化挖掘潜在兴趣，通过深度神经网络学习，实现举一反三，比如你喜欢足球，那deep是可以可以考虑在推荐足球内容给你的同时，再给你推荐一点篮球、橄榄球内容？

至于x就是根据前面的推荐继续优化或者根据实时反馈进行优化。

反正大概意思就是那么个意思。

张明听完王总的分析，眉头微微皱起。

他可不是技术白痴，他自然能明白这套技术模型的应用方向。

用在抖音上可不可行？

自然是可行。

前面的w＋deep跟大老板的猜测差不多，确实可以在短视频领域承担兴趣记录以及举一反三的深度思考功能。

但仅仅只有这两个功能是不够的。

w负责搭建兴趣爱好，比如快手现在的算法推荐大概率就是基于w研发出来的，虽然属于算法推荐，但他们的算法推荐主要依赖统计机器，所以他们需要双列展示。

而deep的深度学习则可根据用户的兴趣库延伸出其他，比如将相似的运动，相似的乐器、甚至相似的视频内容推荐给用户。

如果仅仅只有这两项，或许快手可以快速跟上。

但如果后面的x是头条视频的核心算法呢？

比如实时推荐算法？

那快手这些竞品还能跟进吗？

既然课程表的在线翻译可以叠加多线任务，那抖音肯定也可以。

比如在添加了实时推荐算法后，可以不可以再运营一个多目标优化？

把用户的点赞、评论、停留时间、转发、完播率等核心指标作为一个优化推荐补充？

张明觉得是可以的。

这样一来，既可以避免单一的唯数据论，还可以通过用户在没有互动的前提下，统计出其对哪类视频停留的时间较长。

这对于头条科技的算法绝对算得上是一次系统性的优化。

“王总，我们可以去张江看看产品吗？”

“对头条有用？”

王卓问道。

“有用，有大用”

张明点头道。

“你们随时都可以去看看，但这套技术路径验证没有问题后是会开源的，你们心里要有数”

王卓沉思了一会，再次开口道。

“明白”

两人闻言，重重的点了点头。