fb交友建議原理 在 コバにゃんチャンネル Youtube 的最讚貼文
「fb交友建議原理」的推薦目錄：
- 關於fb交友建議原理 在 コバにゃんチャンネル Youtube 的最讚貼文
- 關於fb交友建議原理 在 大象中醫 Youtube 的最佳貼文
- 關於fb交友建議原理 在 大象中醫 Youtube 的最讚貼文
- 關於fb交友建議原理 在 Re: [請益] Facebook 的朋友建議機制是怎麼回事？ - 看板ask-why 的評價
- 關於fb交友建議原理 在 Re: [請益] Facebook 的朋友建議機制是怎麼回事？ - 看板ask-why 的評價
- 關於fb交友建議原理 在 Facebook 如何提供「你可能認識的朋友」建議選項？ 的評價
- 關於fb交友建議原理 在 FB交友建議 - 感情板 | Dcard 的評價
- 關於fb交友建議原理 在 fb交友建議演算法的評價費用和推薦，DCARD、FACEBOOK ... 的評價
- 關於fb交友建議原理 在 fb交友建議演算法的評價費用和推薦，DCARD、FACEBOOK ... 的評價
- 關於fb交友建議原理 在 [討論] Facebook 好友建議好可怕啊- 看板WomenTalk - PTT網頁版 的評價
- 關於fb交友建議原理 在 [討論] Facebook 好友建議好可怕啊- 看板WomenTalk - PTT網頁版 的評價
- 關於fb交友建議原理 在 暗戀朋友很久了？臉書幫你推一把！Facebook 推出 ... - ELLE 的評價
- 關於fb交友建議原理 在 關於FB的"你可能認識的朋友"測試 - Mobile01 的評價
- 關於fb交友建議原理 在 [閒聊] FB上的你有一則新交友建議 - PTT Web 的評價
- 關於fb交友建議原理 在 Facebook關閉交友建議通知的方法！ - YouTube 的評價
- 關於fb交友建議原理 在 分析你的臉書聯絡人：誰是真好友、假好友、普通朋友 - T客邦 的評價
- 關於fb交友建議原理 在 「看看我發現了什麼？」「是你？」 臉書瘋傳假Youtube連結 ... 的評價
- 關於fb交友建議原理 在 透過Facebook 好友評分，找出和你互動最密切的臉書朋友 的評價
- 關於fb交友建議原理 在 Facebook 新隱私設定14大祕辛，在他人洩漏你秘密前審查 的評價
- 關於fb交友建議原理 在 [問卦] 臉書一直跳出交友建議| Gossiping 看板| MyPTT 網頁版 的評價
- 關於fb交友建議原理 在 facebook推荐好友消失了 - 搜狗搜索引擎- Sogou 的評價
- 關於fb交友建議原理 在 臉書的好友建議功能竟然推薦恩客給性工作者的匿名分身 的評價
- 關於fb交友建議原理 在 為什麼廣告總是那麼準？來看看你在Facebook 上的廣告偏好 的評價
- 關於fb交友建議原理 在 Facebook 廣告入門教學 的評價
- 關於fb交友建議原理 在 怎麼上ig推薦、ig出現不認識的人在PTT/mobile01評價與討論 的評價
- 關於fb交友建議原理 在 怎麼上ig推薦、ig出現不認識的人在PTT/mobile01評價與討論 的評價
- 關於fb交友建議原理 在 怎麼上ig推薦、ig出現不認識的人在PTT/mobile01評價與討論 的評價
- 關於fb交友建議原理 在 6.4 Facebook API | 宅學習 的評價
- 關於fb交友建議原理 在 fb 刪除好友ptt 【實用】Facebook大量刪好友｜臉書全自動分析 ... 的評價
- 關於fb交友建議原理 在 fb 刪除好友ptt 【實用】Facebook大量刪好友｜臉書全自動分析 ... 的評價
- 關於fb交友建議原理 在 一窺Facebook演算法的秘密：你每天看什麼都是它決定！ 的評價
- 關於fb交友建議原理 在 【干货】Facebook“可能认识”推荐来源于哪里？ - 雨果跨境 的評價
fb交友建議原理 在 Re: [請益] Facebook 的朋友建議機制是怎麼回事？ - 看板ask-why 的推薦與評價
作者flygalaxy (人)
看板ask-why
標題Re: [請益] Facebook 的朋友建議機制是怎麼回事？
時間Tue Sep 22 01:10:07 2009
我簡單說一下~~如果有錯誤 煩請指正
因為我有在寫facebook app
所以對於它的好友trace方式大概有了解
你提到的三點基礎線索(同一個 network 學校 共同的朋友)
的確是facebook的優先考量
但facebook有一種特殊的演算機制
這可能要拓樸學領域的會比較了解
據說街上每隨機抽取50個人 其中至少有兩個人是同一天生日
這是建構在機率系統上的假說
同樣的 在網絡的平面概念中一樣適用
只是把一維的機率 延伸到平面而已
用通俗一點的解釋如下:(假設你是A)
第0層 A
|
第1層 B---C---D---E
BCDE是在"基礎線索"上與你有關的好友
於是BCDE出現在好友的建議名單中
這時候你會加入他們的機率幾乎是99%
於是進入第二層
第0層 A
|
第1層 B---C---D---E
| | | |
第2層 F-G H-I J-K L-M
FGHIJKLM是在拓墣觀念上與你有關聯的好友
這時你可能只加入G.J或M
加入機率可能可能只有37.5%
此時演算法會去檢討0-1與1-2的路徑
然後重新調整方向 提升你的加入機率
(為方便說明 舉極端的例子)
簡單來說 在第2層中FGHIJKLM GJM是你的高中同學的同學
FHIKL是你的高中同學的家人
演算法發現你加入GJM的機率為100% 而FHIKL為0%
因此"同學的同學"這項關聯就會成為未來第3層建議名單的原則
而"同學的家人"這項關聯就會被捨棄
理想上 之後你的建議名單都是"同學的同學的同學...無限延伸"
而你的加入率也會接近100%
第0層 A
|
第1層 B---C---D---E
| | | |
第2層 F-G H-I J-K L-M
| | |
第3層 N O P .......
以上~你會發現 facebook給你建議的名單好像神一樣!! 準到一整個不行
看到這別先END
如果只有這樣 facebook也沒比無名高明多少
facebook的野心還不只這樣
就如同有案例發現 有的人之間的關聯完全消失在網路上
facebook一樣神的出來 有時候讓表特版的鄉民也自嘆弗如
這就要牽扯到平面機率(或網狀機率) 以及部分的心理學
FB演算法由兩部分組成
一部分是先前提到的"基礎線索"
另一部分是針對前一部分的盲點所設計的"機率線索"
一開始我們有提到"每隨機50人中至少有兩人生日相同"
我們先假設50人的生日完全不同
機率P=(365/365)*(364/365)*(363/365)......*(316/365)
=0.0296
也就是說 假設"生日"是人與人之間的"關聯條件"
那麼我隨便找50人 這50人完全沒關聯的機率小於3%
因此facebook只要隨便把沒關係的50人的湊一推
會有97%的機率其中"至少"有兩人看對眼爆出愛的火花
有這樣的基礎 就可以產生很多玩法
例如以"學校"作為人與人之間的關聯條件
假設全台灣一共有160所大學 (基數)
那麼50人(庫數)無關聯的機率P=(160/160)*(159/160).....*(111/160)
=0.000185
天哪 0.0185耶~ 隨便都中 同學會到處開!!
人與人之間認識的可能性 當然不只是表面上的關聯表徵
可能是機率表徵 (你無法預測機天可能會在路上遇到誰 然後和誰成為朋友)
使用機率表徵的計算原則相同
公式化後如下:
關聯A 基數=a
庫數=a'
關聯A完全沒命中機率P(a)=a!/{[a^(a')]*[(a-a')!]}
把所有關聯集合起來 P=P(a)*P(b)...... P會趨近於零
假設FB很衰小 取樣這50個人在任何關係上通通不認識沒關聯
"機率趨近於零"!!!!!!!!!!!!!!!!! (尤其是考慮越多關聯)
因此 咱們的facebook又再度神奇的從陌生人猜出你可能認識誰!!
這樣還不夠嚴謹
facebook還有一招
根據社會網絡心理學 認識的人其中必定有某種層度的關聯
可能是興趣.居住地.語言.喜愛的食物.善長的技能等等...
如果今天有兩個認識的人之間完全查不到任何表面關聯
那麼那麼它一定落入"完全沒關聯區"
恩...什麼跟什麼 一定有人會聽不懂
那用下圖來說明好了
(下面的數線代表與你有相關的線索數目)
高度相關 輕度相關 完全無相關
<------------------------------------------>
你認識的人 你不認識的人 你可能認識的人
如果畫成座標圖如下:
你 |*
可 |*
能 | *
認 | * A B
識 | *
的 | * *
人 | * *
數 | * *
|_______*******________
與你相關的線索數目
一般A的狀況很能理解 與你共通線索特徵越多的人 你越可能認識他
但是大家往往忽略B的區段
這有點像"反常態曲線"
有部分你認識的人會落在幾乎與你沒相關的區域
雖然曲率沒有A的高
但很明顯的可以看出
所謂的半生不熟的關係 卻是人們最不可能認識的陌生人
所以 facebook只要把與你"最不相關"與"最相關"的人丟到你的建議名單
你就會有一長串 看似神奇的建議名單嚕!!
當然心理學上來說 facebook給你50人 你有49人不認識 但有1人你認識
你的注意會在那一人上 並且直呼好神奇
而"猜錯的49人"會被你忽略或是遺忘!!
說了這麼多 麼複雜的演算在程式撰寫上來說卻不是很難
配合資料庫與資料定義演算 就可以在很短的時間算出建議名單了
facebook應該不會無聊到去偷窺大家的信箱啦
雖然技術上是辦的到 但完全沒C/P值!?
除非是你主動匯入名單~
以上 因為我不太會畫BBS圖
若難以理解敬請見諒!!^^
※ 引述《Equalmusic (Cosmajoonitist)》之銘言：
: 我知道他會建議
: 1. 同一個 network 的人
: 2. 同一所學校的人
: 3. 如果你們有共同朋友
: 但是有的時候他會出現我認識的人, 但是我跟她在 facebook 上根本沒有共同朋友的情況
: 不是同一個 netowrk, 也沒有去過同一所學校
: （另外就即使是同一個 network 或是去過同一個學校, network 那麼大, 學校那麼大
: 他卻知道要建議誰, 這也還蠻神奇的...）
: 我想過一個狀況就是這個人先在 Facebook 上搜尋我, 查看我的資料
: 但後來我稍微 google 了一下發現了這個討論串
: https://www.topix.com/forum/com/facebook/TIM2PL2T0O5BQJO1C
: 裡面有人舉了一個例子排除了這個可能性
: 1. 他們八年沒聯絡, 所以這個人主動查詢他的可能性不高
: 2. 就算他真的搜尋他的資料, 他的名字是菜市場名, FB 上有千百個跟他同名的
: 3. 如果他用的是他的 email, 他的 email 早就換了
: 我沒有看完整個討論串, 一來實在文章太多, 二來文章的相似性太高
: 特別很多人提出提出 FB 會 tap into 你的 email contact list, yahoo 或 MSN 帳號
: 我覺得是 nonsense
: 雖然我對網路安全不是特別了解, 不過 FB 只是一堆 web applets
: 不可能跑到我的電腦裡來碰我的資料（如果是這樣那瀏覽器的安全性也太低了吧）
: 另外有些人也不在我的 AIM, GTalk 或是 MSN 裡面
: 但是 FB 還是很盡職的把他們都找出來了 ~_~
: 想請教一下有沒有板友對 Facebook 這種查找機制有研究的
: 好想知道阿！
--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 60.248.76.222
推 void:為什麼玩全無相關那邊反而認識人數可能會上升? 09/22 01:19
→ void:可以加以說明阿 不太懂為什麼那樣反而可能會認識? 09/22 01:19
→ void: 嗎 09/22 01:20
推 H45:可能你走在路上突然結識一位陌生人，之後關係很好，但是好友圈 09/22 01:35
→ H45:完全不同。 09/22 01:35
推 HuangJC:如果這篇當廣告是很好,不然的話,說好就好,說歹就歹囉~ 09/22 01:54
→ HuangJC:任50人生日不重覆機率小於3%,也就是有關聯是 97%,很驚人 09/22 01:55
→ HuangJC:但如果要說歹的話..大多和我無關,也許是某兩個陌生人有關 09/22 01:56
推 KanoLoa:推解析 真棒 09/22 21:20
... <看更多>
fb交友建議原理 在 Facebook 如何提供「你可能認識的朋友」建議選項？ 的推薦與評價
彼此擁有共同朋友。 · 您的人際網絡，例如現居城市、學校或工作經歷。 · 加入相同的Facebook 社團。 · 被標註在同一張相片或同一則貼文中。 · 已上傳的聯絡人。 ... <看更多>
fb交友建議原理 在 Re: [請益] Facebook 的朋友建議機制是怎麼回事？ - 看板ask-why 的推薦與評價
我簡單說一下~~如果有錯誤 煩請指正
因為我有在寫facebook app
所以對於它的好友trace方式大概有了解
你提到的三點基礎線索(同一個 network 學校 共同的朋友)
的確是facebook的優先考量
但facebook有一種特殊的演算機制
這可能要拓樸學領域的會比較了解
據說街上每隨機抽取50個人 其中至少有兩個人是同一天生日
這是建構在機率系統上的假說
同樣的 在網絡的平面概念中一樣適用
只是把一維的機率 延伸到平面而已
用通俗一點的解釋如下:(假設你是A)
第0層 A
|
第1層 B---C---D---E
BCDE是在"基礎線索"上與你有關的好友
於是BCDE出現在好友的建議名單中
這時候你會加入他們的機率幾乎是99%
於是進入第二層
第0層 A
|
第1層 B---C---D---E
| | | |
第2層 F-G H-I J-K L-M
FGHIJKLM是在拓墣觀念上與你有關聯的好友
這時你可能只加入G.J或M
加入機率可能可能只有37.5%
此時演算法會去檢討0-1與1-2的路徑
然後重新調整方向 提升你的加入機率
(為方便說明 舉極端的例子)
簡單來說 在第2層中FGHIJKLM GJM是你的高中同學的同學
FHIKL是你的高中同學的家人
演算法發現你加入GJM的機率為100% 而FHIKL為0%
因此"同學的同學"這項關聯就會成為未來第3層建議名單的原則
而"同學的家人"這項關聯就會被捨棄
理想上 之後你的建議名單都是"同學的同學的同學...無限延伸"
而你的加入率也會接近100%
第0層 A
|
第1層 B---C---D---E
| | | |
第2層 F-G H-I J-K L-M
| | |
第3層 N O P .......
以上~你會發現 facebook給你建議的名單好像神一樣!! 準到一整個不行
看到這別先END
如果只有這樣 facebook也沒比無名高明多少
facebook的野心還不只這樣
就如同有案例發現 有的人之間的關聯完全消失在網路上
facebook一樣神的出來 有時候讓表特版的鄉民也自嘆弗如
這就要牽扯到平面機率(或網狀機率) 以及部分的心理學
FB演算法由兩部分組成
一部分是先前提到的"基礎線索"
另一部分是針對前一部分的盲點所設計的"機率線索"
一開始我們有提到"每隨機50人中至少有兩人生日相同"
我們先假設50人的生日完全不同
機率P=(365/365)*(364/365)*(363/365)......*(316/365)
=0.0296
也就是說 假設"生日"是人與人之間的"關聯條件"
那麼我隨便找50人 這50人完全沒關聯的機率小於3%
因此facebook只要隨便把沒關係的50人的湊一推
會有97%的機率其中"至少"有兩人看對眼爆出愛的火花
有這樣的基礎 就可以產生很多玩法
例如以"學校"作為人與人之間的關聯條件
假設全台灣一共有160所大學 (基數)
那麼50人(庫數)無關聯的機率P=(160/160)*(159/160).....*(111/160)
=0.000185
天哪 0.0185耶~ 隨便都中 同學會到處開!!
人與人之間認識的可能性 當然不只是表面上的關聯表徵
可能是機率表徵 (你無法預測機天可能會在路上遇到誰 然後和誰成為朋友)
使用機率表徵的計算原則相同
公式化後如下:
關聯A 基數=a
庫數=a'
關聯A完全沒命中機率P(a)=a!/{[a^(a')]*[(a-a')!]}
把所有關聯集合起來 P=P(a)*P(b)...... P會趨近於零
假設FB很衰小 取樣這50個人在任何關係上通通不認識沒關聯
"機率趨近於零"!!!!!!!!!!!!!!!!! (尤其是考慮越多關聯)
因此 咱們的facebook又再度神奇的從陌生人猜出你可能認識誰!!
這樣還不夠嚴謹
facebook還有一招
根據社會網絡心理學 認識的人其中必定有某種層度的關聯
可能是興趣.居住地.語言.喜愛的食物.善長的技能等等...
如果今天有兩個認識的人之間完全查不到任何表面關聯
那麼那麼它一定落入"完全沒關聯區"
恩...什麼跟什麼 一定有人會聽不懂
那用下圖來說明好了
(下面的數線代表與你有相關的線索數目)
高度相關 輕度相關 完全無相關
<------------------------------------------>
你認識的人 你不認識的人 你可能認識的人
如果畫成座標圖如下:
你 |*
可 |*
能 | *
認 | * A B
識 | *
的 | * *
人 | * *
數 | * *
|_______*******________
與你相關的線索數目
一般A的狀況很能理解 與你共通線索特徵越多的人 你越可能認識他
但是大家往往忽略B的區段
這有點像"反常態曲線"
有部分你認識的人會落在幾乎與你沒相關的區域
雖然曲率沒有A的高
但很明顯的可以看出
所謂的半生不熟的關係 卻是人們最不可能認識的陌生人
所以 facebook只要把與你"最不相關"與"最相關"的人丟到你的建議名單
你就會有一長串 看似神奇的建議名單嚕!!
當然心理學上來說 facebook給你50人 你有49人不認識 但有1人你認識
你的注意會在那一人上 並且直呼好神奇
而"猜錯的49人"會被你忽略或是遺忘!!
說了這麼多 麼複雜的演算在程式撰寫上來說卻不是很難
配合資料庫與資料定義演算 就可以在很短的時間算出建議名單了
facebook應該不會無聊到去偷窺大家的信箱啦
雖然技術上是辦的到 但完全沒C/P值!?
除非是你主動匯入名單~
以上 因為我不太會畫BBS圖
若難以理解敬請見諒!!^^
※ 引述《Equalmusic (Cosmajoonitist)》之銘言：
: 我知道他會建議
: 1. 同一個 network 的人
: 2. 同一所學校的人
: 3. 如果你們有共同朋友
: 但是有的時候他會出現我認識的人, 但是我跟她在 facebook 上根本沒有共同朋友的情況
: 不是同一個 netowrk, 也沒有去過同一所學校
: （另外就即使是同一個 network 或是去過同一個學校, network 那麼大, 學校那麼大
: 他卻知道要建議誰, 這也還蠻神奇的...）
: 我想過一個狀況就是這個人先在 Facebook 上搜尋我, 查看我的資料
: 但後來我稍微 google 了一下發現了這個討論串
: https://www.topix.com/forum/com/facebook/TIM2PL2T0O5BQJO1C
: 裡面有人舉了一個例子排除了這個可能性
: 1. 他們八年沒聯絡, 所以這個人主動查詢他的可能性不高
: 2. 就算他真的搜尋他的資料, 他的名字是菜市場名, FB 上有千百個跟他同名的
: 3. 如果他用的是他的 email, 他的 email 早就換了
: 我沒有看完整個討論串, 一來實在文章太多, 二來文章的相似性太高
: 特別很多人提出提出 FB 會 tap into 你的 email contact list, yahoo 或 MSN 帳號
: 我覺得是 nonsense
: 雖然我對網路安全不是特別了解, 不過 FB 只是一堆 web applets
: 不可能跑到我的電腦裡來碰我的資料（如果是這樣那瀏覽器的安全性也太低了吧）
: 另外有些人也不在我的 AIM, GTalk 或是 MSN 裡面
: 但是 FB 還是很盡職的把他們都找出來了 ~_~
: 想請教一下有沒有板友對 Facebook 這種查找機制有研究的
: 好想知道阿！
--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 60.248.76.222
... <看更多>