知鸦日报2022-11-25

多邻国相比上面两家公司是另外一个思路，Uber 能走多远，取决于线下运营，但多邻国不一样，多邻国的产品都是线上的。所以设计在产品里的优先级与重视程度也是不一样的。我们现在大概有 10 个产品设计师，概念与 Uber 的产品设计师定义一致，2-3 个插画师（这是多邻国产品本身属性造成的结果，因为当初决定走插画路线），一个动效设计师（帮助插画师把插画动起来）。多邻国产品主要注重游戏性，游戏界面，包括机制，而动效在游戏中是很重要的。

在线少儿教育的游戏化，已成为提升小朋友满意度和调动学习积极性的常用手段。本期我们请到少儿的交互设计师与大家聊聊， 流利说®️少儿英语如何打造出一个丰富有趣的游戏化课堂体验。

游戏化设计在今天已经不是一个陌生的词汇了，从支付宝的蚂蚁森林，双十一云养猫，还有很多APP的各种签到兑换，VIP等级服务，游戏化设计早已渗透到生活中的各个角落，让你不自知的沉迷其中，乐此不疲的参与各个活动。游戏化设计已经不仅仅局限于娱乐和媒体这种产业，更在教育、医疗、金融服务中有着越来越重要的地位和价值。

从策略的广度、深度，谈游戏设计思路以及投放节奏。

大家思考一下，想要获得一个 A/B 实验系统，需要做些什么事情？火山引擎团队会把这些事情分成四个部分。A/B 实验需要通过人群采样，分出对照组和实验组并且下发不同的配置，让用户体会到不同的策略。因此从实践角度来看，四个部分中首先得有一个可靠的实验系统。通过这个实验系统，我们可以采集数据，从而观测用户在不同的策略下的反应。考虑到业务的迭代过程需要保持高效性，因此系统在第二步需要高效的数据建设。当采集到数据之后，我们还需要借助统计学知识，对各组的结果进行分析，以得到正确的实验结论，这第三步被称为科学的统计分析。有了以上三步，我们离一个完整的实验系统还有最后一步。我们考虑实验平台具有一定的成本，测试人员有可能会犯错误，平台运行也可能会出现异常……这些问题都需要系统通过最后一步——精细的治理和运维，来保证实验始终正常运行。

回顾弹幕工程建设的发展历程，大致可以分几个阶段：

1. 基础能力：在高并发、热点场景下，保证弹幕服务的稳定和高可用 、
2. 负向治理：以管控为目标，通过删除、自见、打薄等手段过滤低质弹幕内容
3. 正向推荐：以优化视频消费体验为目标，筛选优质弹幕内容上屏展示

这三个阶段的目标始终在并行推进，在1和2的基本问题完成之后，作为B站的特色功能和社区文化重要载体，弹幕业务在承接基础功能之外也需要持续探索优化消费体验的能力。这也就必须在稿件维度优选的基础上通过用户特征交互获得更大的策略空间，建设千人千面的弹幕推荐能力。

这个过程离不开工程、算法、产品等多个团队的倾力合作，本文会以工程团队的视角重点介绍工程架构对推荐系统的能力支持。

当业务任务多且人力资源不充足的情况下，不同业务的同学可能需要去不同的业务进行临时支援，可能在时间方面可能有长有短，但是如何迈出第一步是很多人需要关心的一件事。

本文以实际跨业务测试经验（订单业务测试人员如何测试售后业务），讲述在两周内如何快速的上手售后业务并进行测试需求，写下此篇文章作为经验分享。

以前粗排的定位一直是精排的退化版本，我们提出以全域成交的hitrate为目标的全新指标，重新审视了召回、粗排和精排的关系，并指出了全新的优化方向。

2019年跨年夜故障后，美图搭建了自己的压测平台，本文介绍美图的选型思路到搭建运行的全过程。

Performance is crucial for Shopify. After we started using React Native, we had to find a way to confirm our mobile apps are fast. The solution is an open-source @shopify/react-native-performance library by Shopify, which measures rendering times in React Native apps. In this article, you’ll learn more about how the library works, how to get started, and why measuring performance is so important.

作为连接人的工具，社交产品的价值不言而喻；熟人社交领域，微信已经是绝对霸主地位，但是陌生人社交领域还未出现类似绝对地位的产品。今天就跟大家交流陌生人社交产品，主要以探探和Tinder为例; 前面50%的内容主要是以业务分析为主，后半部分介绍基于这样的业务形态引入的一些数据、算法、架构体系的设计，希望可以让大家在做算法和数据过程中了解到对业务洞察的必要性。

ELO等级分是根据它的创立者ELO教授名字命名的，最早用来评估国际象棋选手的实力。关于ELO分的基本印象需要记住下面三点：最早在国际象棋评分中出现，作者是研究物理的埃洛教授，公式的来源是选手胜率评估。

我用概念描述过TrueSkill算法是怎样工作的，你们应该已经熟悉了。TrueSkill 被用在Xbox Live的排行榜和匹配玩家上，它的服务就如同用一种很好的方式去理解统计机器人学习是怎样被实实在在的应用在现阶段的。我同时也创建了一个开源项目，在上面实现了三种TrueSkill在不同时间段增加复杂度和容量。另外，我建立了一个精细化的数学补充页面，它计算出的方程式我用在这里。随意跳跃到任何一个部分，看你感兴趣的，忽略那些看起来很枯燥的部分。别担心，这篇文章看起来很长，因为这里有很多图片。

Qwik 是一个全栈SSR框架，Qwik 采用了一系列策略优化页面的首屏性能，做的无论应用体积多大，首屏性能 PageSpeed 测试基本都能达到满分，本文将介绍 Qwik 的核心技术原理。

本文主要介绍了大规模图召回技术在美团到店广告场景下的实践经验，包括模型设计思路、模型迭代历程、大规模训练工具以及线上部署性能优化等，希望为从事相关工作的读者带来一些启发。

change buffer（在 MySQL 5.6 之前叫 insert buffer，简称 ibuf ）是 InnoDB 5.5 引入的一种优化策略，若二级索引页不在 buffer pool 中，则将针对二级索引页的操作暂时缓存起来，等到该页从磁盘读到 buffer pool 中时再批量的（batch）apply 这些操作，从而达到减少磁盘 I/O 的目的。

本文尝试从技术的角度记录问题排查和解决的过程，规避使用 RT 进程可能带来的“坑”。

本文主要从Kafka消费、堆积、稳定性、预案、成本控制等角度等最佳实践。

本文不对 raft 算法从头到尾细细讲解，而是以 raft 算法论文为起点，逐步解读 raft 算法的理论，帮助读者理解 raft 算法的正确性。然后，etcd 不仅是 raft 算法最为热门的工程实现，同时也是云原生 kubernetes 的核心存储，本文也对 etcd 的底层实现进行剖析，让读者在使用 etcd 组件的过程中能够做到心中有数。对 raft 算法足够熟悉的同学，也可以直接阅读 etcd 工程实现那块内容。

微盟原有新云下的权限模型是基于传统的 RBAC 模型来实现的权限控制，由于新云下的解决方案相对定制，故对于权限模型的灵活性要求并不是很高。为了适应于微盟的 WOS 体系搭建，需要寻求一个既对商户角色权限分配友好且能适应于 WOS 的高灵活特性的权限控制模型。

在一台CEPH存储节点上，随着运行时间的增加，可用内存越来越少。在应用程序全部退出后，释放全部缓存，可用内存依旧没有增加。

风控智能化体系建设依赖大量深度学习/机器学习模型进行实时在线的风险识别、智能决策。要求可以将算法模型快速部署为在线服务，供决策引擎调用。

风控决策引擎涵盖交易、支付、营销等核心链路，业务场景对决策系统性能要求极高，平均tp99<50ms。要求算法模型实时服务在高吞吐量下，仍能满足性能要求。

精细化运营大背景下，算法模型服务需要支持大促不降级，且不能通过野蛮加机器方式提高吞吐量。要求从技术及架构层进行改进，对算法模型在线推理性能有质的提升。

或许你听过一句话，“没有过程的结果是垃圾，没有结果的过程是放屁。”这句话它讲清楚了过程与结果两者缺一不可，两手都要抓，而且两手都要硬。阿里的一句土话，进一步把企业对于结果和过程的价值做了定位：为过程鼓掌，为结果付酬。绩效好不好，结果说了算。

结果如此重要，但假如拿到结果的过程不可知、难复制，就如同天上掉馅饼，就不知道问题出在哪里，也无法避免重复犯错。所以，在拿结果的路上，我们就需要去“追”这个过程了。

那“追过程”究竟追的是什么呢？