三月，春天到了，万物复苏，又到了动物们交配的季节。
半个月过去，街头的春风，褪去了料峭寒意，变得温软起来。
传媒大学校园里的姑娘们，早早换上轻薄的春装，肉色光腿神器闪耀着动人的光彩，增添几分鲜活的春意。
饶佳的到来，让蝴蝶效应走上发展的快车道，也让夏伟闲下来，有时间欣赏大好春光。
算法岗、视频工程师、财务岗、运营岗、内容岗一位接一位新员工，由饶佳招聘入岗。
值得一提的是新招的算法架构师：
他叫丁明，月base55k，是全公司薪酬最高的一位。
他今年36岁，本硕均为华理工计算机专业，离职时是字符的算法架构师，职级2-3。
他是字符经验最足、最懂在线落地的老工程师之一。
熟练使用分布式机器学习平台，深度参与头条的信息推荐算法迭代，能独立带队落地一套推荐系统。
他因晋级败给一位能力不如他的人而离开字符，被饶佳找到。
夏伟和他经历一番长谈，描绘出把“机器学习平台”和“推荐算法”组合成个性化短视频推荐算法的思路。
丁明听完这套方案，对夏伟惊为天人。
他不仅了解字节的东西，还开创性地想出把推荐算法从“图文”适配到“短视频”场景上。
这个想法很有建设性，似乎很有搞头，市面上没有一家公司这么做——字符都没有。
他非常感兴趣，一拍即合，同意来蝴蝶效应当算法负责人。
当他入职后，就能谈更深层次的技术方案了，面试时不方便聊太深。
夏伟直接给出第一版算法思路，让他落地实现，具体动作很简单：
第一步：先解耦字节的“信息推荐算法”与“分布式机器学习平台”底层架构不变，节省90的底层开发成本；
第二步：重构内容理解模块，打花屏文场景局限；
摒弃原信息算法依赖的正文关键词、段落语义等特征，转为提取短视频内核动作特征。
再通过图象识别、音频解析、提取视频封面特征、bg曲风、画面场景标签等元素，完成内容侧的场景适配；
第三步，搭建个性化兴趣推荐筛选体系，精准筛选出用户可能喜欢的视频。
一方面，通过用户过往刷过、点赞、停留过的视频，推算出他长期喜欢的内容；
另一方面，捕捉用户当下刷视频的行为，更新短期兴趣。
第四步：将用户兴趣标签、短视频内容特征，结合短视频专属行为数据——如：三秒留存、完播率、播赞比等。
输入浅层dnn模型，进行深度学习与重训，不断优化兴趣匹配权重。
——这样，就能实现两套技术的合二为一，落地全球第一版个性化短视频兴趣推荐算法。
——从而实现“千人千面”的个性化内容推送。
丁明当时直接愣在原地，小手直打颤，眼神里满是难以置信，脑子里嗡嗡作响。
他从企鹅到字节，深耕算法七年，亲手参与今日头条信息推荐算法的迭代。
他比谁都清楚，把图文推荐适配到短视频，最难的是创意，是第一个想到这个点子。
第二个，就是如何构建一套适用于短视频的全新特征体系、内容理解、用户动态兴趣的实时建模。
夏伟直接给出一套端到端的工程技术方案，把每一步都想得明明白白，全是能直接落地的干货。
虽然没有一行代码，但只需照做，一套粗糙的短视频兴趣推荐算法，便能落地。
这套方案，一旦落地运行，大概率是能碾压当下所有短视频平台的降维打击。
什么大手，什么美拍，什么秒拍，统统滚蛋。
他判断的没错，夏伟比他更清楚这套方案的妙处和威力，迫不及待地想看到它提前大半年上线的效果。
直接告诉他：
第一版不用尽善尽美，能用就行，先确保上线；
上线后再慢慢迭代优化。
算法需要大量用户数据做深度学习，数据越多，推荐越精准。
赶紧上线拿到大量用户数据，在使用中进化迭代。
丁明深以为然，言听计从；
带着两位新招的专家，天天加班到深夜，争取早日上线全球第一版短视频推荐算法
经过2月底一波节奏极快的铺垫，再补充关键岗位后，公司框架搭建完毕;
各部门齐头并进，内容部门突飞猛进，算法研发进度飞快，产品也一天一个样。
进入三月份这大半个月：
星动娱乐那边，陈默团队紧锣密鼓按他给的计划修改“晃咖app”，不日即将上线。
校园内容团队——内容一部，逐渐扩充到50人，入职一位内容策划，叫李淑仪，给张婷当副手。
提拔三个学生组长，引领整个团队日均产出400条短视频。
在学校创业孵化中心王老师的帮助下，学校迅速通过了夏伟的创业项目评审，特批120平共享办公空间。。
内容团队就在这里办公，二部也在，唯一的全职员工是范