面向数亿职场人士，“职得看”利用知识图谱实现精准个性化资讯推荐

在资讯过载时代，个性化推荐确实是一个为用户节省时间的重要机制。市场上出现了越来越多的资讯应用，比如今日头条、看荐、即刻等。

今日头条使用了推荐算法，根据用户过往的阅读行为作为用户兴趣，进行内容推荐，多有重复和冗杂；一点资讯在算法基础上增加了订阅的规则，提升推荐准确度。看荐除了使用算法，还将人工甄别引入到个性化推荐的链条中。

不过在AiLingual创始人吴羽君看来，市面上缺乏面向职场人士的更为专业的资讯应用。同时，现有的个性推荐缺乏拓展性，无法挖掘用户潜在的兴趣点。

因此拥有Google工作背景的吴羽君，联合斯坦福大学硕士林咏为创立了AiLingual，并着手开发面向职场人士+大学生的拥有个性化推荐功能的资讯应用“职得看”。

说起“个性推荐”，今日头条是国内当仁不让的先行者。今日头条的推荐算法，是使用“协同过滤”技术提取用户兴趣的特征，然后和相应内容进行匹配。“协同过滤”主要依据的是用户或者项之间的相似性，即在海量的用户中发掘出一小部分和你品位比较类似的，在协同过滤中，这些用户成为邻居，然后根据他们喜欢的其他东西组织成一个排序的目录作为推荐给你。早期的今日头条通过预装获得了巨大的用户基础，因此“协同过滤”技术路线是走得通的。

在没有足够的用户量基础上，AiLingual选择建立知识图谱来推测用户可能感兴趣的话题，并做相关性的推荐。知识图谱可以看作是一种复杂的树状图，每个节点表示现实世界中存在的“实体”，每条边为实体与实体之间的“关系”。知识图谱提供了从“关系”的角度去分析问题的能力。

吴羽君表示，由于很多文本、图片、音频、视频等都是未经处理过的非结构化数据，因此需要掌握机器学习、数据挖掘、自然语言处理等技术，从这些非结构化数据中提取出有价值的信息。此外对团队的知识推理能力也提出了较高的要求。AiLingual自去年底开始着手建立“科技互联网”相关的知识图谱，对2500万+个实体、7万+的话题、700+的互联网科技相关专题进行了清洗、筛选，最终完成了上万个实体的知识图谱的建立。

梳理出这些实体间的关系，除了可以进行相关内容的推荐，还可以帮助用户挖掘和推荐他们潜在的感兴趣的话题。吴羽君举了个例子：比如实体“A”和实体“B”看似不相关，但其实是有一定强逻辑关联的。一个关注了大量A话题的读者，我们会尝试给他推荐B话题相关的内容，看看是否会引起他的关注和兴趣。

知识图谱的建成后，吴羽君团队也是通过内容提取（关键词匹配、内容分析等）做机器学习，将话题和文章对应起来。吴羽君告诉36氪，现在的匹配精确度大概能达到80%-90%。未来随着算法的优化和内容量的增加，匹配精度也将提升。同时，团队也在拓展除科技互联网外的其他领域内容，并不断加入新的实体。

用户也可以以专题形式定制自己感兴趣的内容，“职得看”上现有包括15个领域的大量专题内容，每个专题包括相关的资讯、观点、深度报告、音频、视频等。

吴羽君告诉36氪，他们监测了绝大多数的科技互联网内容源，包括相关的网站、上千个微信公众号、知乎专栏、海内外博客等。未来还将拓展至除科技互联网外的其他知识领域，预期可以覆盖几亿的职场人士和大学生。

职得看现在有几百个核心用户，这些用户可以对推荐的内容是否满意进行多维度评判，从而帮助职得看调整和优化知识图谱结构或是内容提取算法。普通用户则是通过其是否对推荐的文章进行了阅读、浏览时间、是否分享了、收藏了等方式来进行正负反馈的判断。

不过APP的平均获客成本高是众多公司面临的挑战。吴羽君表示，他们还是着重在目标人群关注的地方推广产品，比如通过在知乎、简书上产出内容进行用户转化，以及基于产品本身功能结合社会热点做一些活动。

在盈利方面，吴羽君表示2C业务主要是通过广告或是专栏订阅等内容付费服务进行盈利。此外，职得看的内容推荐功能也可以通过API接口接入智能音箱系统中，为用户提供音频内容，在拓展盈利途径的同时，还可以扩大用户量。音频来源除了已有的音频内容，吴羽君还计划自行产出音频内容。

公司于去年获得了峰瑞资本数百万元的天使轮投资，8月份将开启Pre-A轮融资，主要用于团队的拓展、APP迭代和推广。

职得看的核心团队成员毕业于斯坦福，CMU，清华，北大，交大，拥有Google、Uber、搜狗等科技公司工作背景。创始人吴羽君曾任棕榈大道联合创始人& CTO，负责搭建稳定可规模化的服务器系统。曾在Google NestLabs担任UX工程师，有丰富的全栈开发经验。同时还入选了2017 Forbes 30 under 30 China。联合创始人林咏为斯坦福大学硕士，在硅谷明星企业Lark担任首席iOS工程师4年多，同时也是连续创业者。