科普篇：一篇文章推荐给你，到底经历了哪些算法？
背景
这是一篇科普文章，科普从在feed流刷新了一下之后，推荐给你的文章，到底经历了哪些算法。这些算法在哪些环节做了什么事情。
此文章不断更新，2018-12-10 初稿。
具体说明
1、内容安全篇
一篇内容，在作者完稿后，点击发送，会送到平台去审核。而我们知道，一个"安全&合格"的内容才能有机会推荐给用户，为了保证内容合格，被提交的内容刚开始就会经历以下"安全&合格"模型：
①色情模型：判断文章不是色情内容
②广告模型：判断文章不是广告内容
③敏感内容模型：判断文章不涉及到反动等敏感内容
④消重模型：判断文章不是抄袭的内容
⑤反感内容模型：判断文章不是用户讨厌的内容
⑥人工审核队列排序：提升审核ROI
2、内容画像篇
安全且合格的内容入库后，要对内容做抽象的画像处理，俗称"打标签（其实这种叫法失之毫厘，差之千里）"，来提供给推荐使用。涉及到NLP的算法比较多，这里列举一些比较简单基础的：
①分词算法：包括分词，词性标注等
②聚类算法：将相似内容聚成堆
③分类算法：按照定义好的分类进行分类
④各种embedding算法
3、用户画像篇
用户画像跟内容画像是相辅相成的，因为最终要基于画像去做连接。用户画像一般都是基于统计计算得到的，跟算法关系不大（置信度区间算法，贝叶斯平均等此处不议），基于模型的主要有以下几个：
①基于模型填充用户画像：比如统计不到用户的性别，但是根据他看美妆等通过计算得到她大概率是女性
②用户反垃圾类算法：垃圾用户识别，垃圾行为识别
4、推荐
推荐按照核心环节分，主要分为两个环节，对应的也是两大类算法,这两个环节，涉及多种算法，包括集成方法等，也是推荐算法最核心的算法环节：
①召回：各种召回算法，ContentBase的，CF的，各种深度学习的，bandit算法等
②排序：各种排序算法
5、客户端展现
展现相关的算法我目前了解的比较少，主要包括：
①缩略展现区域预估：预测视频的某一帧最好，预测图片的某个区域最好