匹配
机器如何知道用户的匹配兴趣？其实，这其中是有着具体的匹配规则的，本文将对其进行了简要概述。
接上篇文章《社交领域不会有终局，除非人类停止前进》提到的用户价值和算法匹配，本文进行简单的概述，欢迎点赞和分享、评论，后面我再详细写各部分。
目录
一、用户自身价值评估
二、用户状态评估
三、匹配规则
四、各价值匹配度计算方法（初步）
五、标签举例（较多，本文先不附上）
六、应用（后面文章再写）
一、用户自身价值评估
人与人社交的基础：价值交换；通过三大价值衡量：经济价值、外形价值、生活价值，分别按分值体现，从低到高1-10分；
经济价值计算方法：默认值值3 ，根据用户初始选择的行业、职位、收入，和默认值综合得到初始值；
外形价值计算方法：默认值值3 ，根据用户初始选择的头像和上传的照片，和默认值综合得到初始值；
生活价值计算方法：生活价值不便直接算分衡量，通过用户自选标签、内容分析等判断用户的性格和爱好，通过标签体现，作为匹配的两个要素。
（传统匹配：用户与用户间大海捞针）
（推荐进行分发，让用户匹配合适自己的人）
二、用户内容评估
用户每次发布一条内容，可分为：展示经济价值 、展示外形价值；同时，状态也会展示个人的性格和爱好。
用户发布内容后，平台分析其内容，对其人物价值和标签进行更新完善（初始阶段人工打分或标注，用户量增大，数据积累增多后通过机器学习由机器完成）。
若状态展示价值的，对其价值分数进行调整（经济，外形）；展示性格的，为其增加性格标签；展示爱好的，对其增加爱好标签。
三、匹配规则
每个用户都是外在+内在的一个人物画像：外在=外形价值+经济价值，内在=性格+爱好。匹配倾向占比：设z1=外形价值,z2=经济价值,z3=性格,z4=爱好； z1+z2+z3+z4=1。
用户发布内容时，判断其价值交换倾向，外在还是内在，为其做对应推荐。即找准用户此刻需求，基于历史积累的价值数据匹配。
举例：
找投资伙伴：倾向经济价值，z1=0.9，为其推荐经济价值匹配度高的人
找短期玩伴：倾向外形价值z2=0.8，为其推荐外形价值匹配度高的人
找人聊天：倾向性格 z3=0.9，为其推荐性格匹配度高的人
找人一起运动：倾向爱好 z4= 0.8，为其推荐爱好匹配度高的人
当用户没有明显需求倾向时，默认值 z1=0.3，z2=0.3, z3=0.2, z4=0.2；
再结合其历史匹配信息，结合协同过滤等推荐算法，为其做推荐。
四、各价值匹配度计算方法（初步）
经济价值匹配度计算方法：
用户a的经济价值为 x1（百分制）;
用户b的经济价值为 x2（百分制）;
经济价值匹配度 x = 1-|x1-x2|/100；
外形价值匹配度计算方法：
用户a的 外形价值为 y1（百分制）；
用户b的 外形价值为 y2（百分制）；
外形价值匹配度 y = 1-|y1-y2|/100；
性格匹配度计算方法f 以及爱好匹配度计算方法i参考业界成熟的如协同过滤等推荐算法，如推荐短视频、电影、音乐等；
最终两两间匹配度= x*z1+y*z2+f*z3+i*z4。
总结
篇幅有限，如果点赞、评论的朋友多了我再详写如何分析状态并贴标签、算法细化、以及应用层面设计等。
抛砖引玉，期待交流。
相关阅读
前有“共享经济”的大旗，后有“新零售”的热浪，线上线下融合及无人值守的概念被反复追捧，阿里和京东有无人便利店，而一向缺少电商基因
图的有权最短路径 和有向无权图不同的是，有向有权图相邻两个顶点间的边上被赋予一个连接权值。 有权最短路径就是寻找一条路径使
“产品市场匹配（Product/Market Fit 简称PMF）”的概念在硅谷的许多创业公司中广泛流行，它也是一些高速成长的公司经常谈论的话题，但在
循环冗余校验（CRC）算法入门引导2012年08月19日 12:42:34阅读数：167959 写给嵌入式程
引言 在实际日常中，人们会经常遇到如下问题：在某个给定的定义域X内，求函数f(x)对应的最优值。此处以最小值问题举例（最大值问题