本期的统计报表共提供了69家基金品牌的“整体搜索指数”及“移动搜索指数”，与总体搜索的比例数据。
按“整体搜索指数”排名，南方基金以7608均值居榜首，鹏华基金位列第二，指数值为5903，天弘基金为第三，指数值为3873。除此之外，位列前十的品牌还有光大保德信、富国基金、浦银安盛、华夏基金、建信基金、嘉实基金、国投瑞银。
简要榜单如下：
|
|
|
|
|
|
（制表：品基荟，数据来源：百度指数专业版，取值期间：2018年9月1日-9月30日）
编者声明：制表者力求客观公正使用网络工具，但对数据的准确性和完整性不作任何保证。本表仅供研究参考交流，不建议作为任何决策依据，对使用该报表带来的可能损失或风险，编者及其单位不承担任何责任。
近日，搜狗发布海外搜索，作为英文搜索全面升级版，在产品功能、技术和用户边界这三个核心层面带来了重大“变革”。相对于英文搜索，搜狗海外搜索的发布让“搜索并阅读全球信息”不再是小部分英文精通者的特权，而是每一个中国人都能拥有的看世界的能力。
产品功能创新：用中文就可以搜索并阅读海外英文内容
搜狗英文搜索于2016年5月发布，为中国用户打开眼界，让对海外信息需求高的用户便捷地搜索全球英文信息。在此基础上，搜狗海外搜索更进一步，为中国人提供从“搜索”到“搜索并阅读”全球英文信息的产品功能升级。最直观的变化是，用户无论输入中文还是英文，搜索结果在英文原文呈现外，新增了中文翻译、中英双语两大页面，服务于不精通英文的用户。
各领域最前沿的学术信息、专业资讯等大量优质内容多集中于海外英文世界。搜狗英文搜索全面升级为搜狗海外搜索，将以中文形式呈现更广阔的海外资讯，为都市白领、追星族、海淘党、穷游党、出国留学生同步世界信息。更重要的是，这将对及医疗、科技、人文等专业领域的从业者带来价值，让他们便捷、无门槛地获取并阅读最顶尖的医疗方案信息、科技创新技术等专业资讯。
图：搜狗海外搜索“青蒿素”呈现结果
技术进阶：首次将神经网络翻译技术应用于搜索引擎产品
另一重大升级在于，搜狗海外搜索应用了国际领先的中英翻译系统——搜狗机器翻译。这是全球第一次把基于深度学习的神经网络翻译技术与搜索相结合，能够让用户直接阅读被翻译成中文的搜索结果。
作为搜狗清华大学天工智能计算研究院的首个研究成果，搜狗机器翻译应用了最前沿的基于深度学习的神经网络机器翻译框架，能够通过理解上下文语境给出精准翻译结果。同时借助其自主研发的深度学习并行训练平台，能高效地利用超大规模数据进行模型训练，获得高质量翻译模型。此外，搜狗搜索在中文自然语言理解领域的积累，以及对中英互译的更为专注，也让翻译效果不断提升。在近期BLEU-TER自动评分的测试和人工测试中，搜狗机器翻译的效果超过了谷歌翻译。
用户边界扩展：从精通英文的人到全部中国人
如果说，搜狗英文搜索达成了让精通英文的中国人搜索世界的目标，提供学术研究、技术科研的最新资讯和报告。搜狗海外搜索发布，即将目光转向了“不能够熟练使用英文或不懂英文”的全体中国用户。
通过“搜索+翻译”创新产品功能升级，搜狗海外搜索让这一更大比例的用户群体受益，让便捷读懂全世界成为可能。可以说，在全球化的时代背景下，中国人越来越需要英文信息。搜狗英文搜索升级为搜狗海外搜索，也意味着搜狗搜索的用户覆盖规模全面升级，从精通英文用户到不精通英文的用户拓展。
在短短8个月时间内，搜狗海外搜索基于英文搜索，实现了重大迭代和升级，进一步让人工智能技术惠及更多普通用户。在搜狗CEO王小川看来，他愿意与搜狗做“人工智能带路党”，把机器的智能文明带入人的世界中，让人获得新的自由，去寻找更多创造性的意义。
互联网观察君（ID:hulianwangguanchajun）
互联网行业深度观察，小君每天为您分享互联网行业最新资讯、趣闻、犀利见解。或对或错，不要紧，重要的是我是一只有态度的互联网观察君。商务合作联系QQ：1000808；微信号：angelalu2016。
长按二维码扫描关注↑↑↑
目前搜索功能是每个应用产品不可缺少一部分，同时也是用户经常光顾到的功能。一个好的搜索设计能够提高转化率，提升用户体验。下面我们来看看搜索设计的一些套路。
目录：
第一部分：搜索入口的设计样式
搜索入口的设计需要根据搜索功能在产品中的位置，不同的应用场景所使用的搜索入口样式也是不同的，接下来分别和大家介绍一下四种搜索入口的常用样式。
1. 底部标签栏入口（Tab Bar）
把搜索功能作为底部标签栏中的一个功能模块入口，适合将搜索作为重要流量入口的App，同时也可以同其他的Tab Bar入口相结合，如“布卡漫画”就是把搜索和类似发现功能的入口相结合。但是底部标签栏的搜索入口本身并不带搜索功能，所以通常与搜索框样式相结合使用。（例如：App Store、布卡漫画）
如图：
2. 搜索框导航入口
常见的展示形式之一，将搜索入口以输入框的形式放置在导航栏中或者导航栏下方，有些应用即便界面向上滑动时，搜索栏会吸顶显示，方便用户随时操作（是否吸顶显示要根据搜索功能在应用中的权重）。
搜索框导航入口除了必须要有的输入框外，还需要一个搜索图标给予用户提示。目前很多应用也会利用搜索框内的区域进行预设文案，可作为提示用户关键词，也可以作为运营的入口来展示。（例如：花瓣、即刻）
如图：
3. 搜索图标入口
同样也是常用搜索方式，常见形式是将一个放大镜的图标放在导航栏的右侧。相对上面提到的搜索框在视觉引导上略逊一筹，但节省了导航栏的空间，这样导航栏中可以提供用户更多的功能，适用于对搜索权重不高的应用中。
当然也有特别的搜索图标方式，例如：自如客，同样是搜索图标的样式由于不同的位置和层级变化，变得更加突出。（例如：自如客、TIM）
如图：
4. 隐藏的搜索入口
为了让用户更多的使用桌面提供的快速入口，初始界面时将搜索功能隐藏，当进行滑动界面时才会出现搜索功能，例如：iPhone手机解锁后是各个应用入口，当向右滑动时，隐藏的搜索入口就会出现。
如图：
第二部分：搜索方式
搜索方式也就是我们通常会用哪些方法去搜索我们要找的东西，下面介绍三种我们常用的搜索方式：
1. 输文字搜索
主要且常用的搜索方法，通过在输入框中输入想要要搜索的文字进行精准搜索。同时当点击输入框时，激活输入键盘。
如图：
2. 语音搜索
语音搜索不仅提升了搜索的便利性，同时也解决了老人对键盘输入困扰和不会拼音的人群的问题。另外在音乐类App中语音功能得到了更好运用，无论是在街边商场，酒吧等，当听见我们爱不忍释的歌曲时，可以用语音功能进行歌曲识别，随时找到我们喜欢歌曲的名字。还有在驾车时可以利用语音搜索功能查询路线。（例如：QQ音乐，高德地图）
如图：
3. 图像搜索
借助图像识别技术，图像搜索也得到了广泛的应用。例如：我们可以通过对图片进行拍照搜索到有关图片的信息或者是和它相似的图片，还有电商应用中常用到的，对于无法准确描述的商品，可以通过图像搜索找到该物品。如：蘑菇街中可以通过对现实物体拍照来找到想要的物品。（例如：蘑菇街、百度）
如图：
第三部分：搜索的辅助功能
基于用户不同的搜索场景，需要给出不同的搜索辅助，一个好的搜索辅助，会让用户爱上你的应用，下面就来介绍五种常用的搜索辅助功能。
1. 热门搜索
目前搜索量比较大或者运营想让我们搜到的东西，同时给那些无目的的用户更多的选择。
如图：
2. 搜索历史
用户可以看到自己每次查找的记录，方便用户再次查看。
如图：
3. 猜你喜欢
根据收集用户的记录为用户提供相关的内容，减少用户的思考时间，同时也会给你用户贴心的感觉。（例如：天猫，今日头条）
如图：
4. 递进式搜索
通过点击系统提供的辅助字段，逐渐缩小搜索范围，对于搜索模糊的用户也提供了很好的提示，可以更快的找到查找目标。（例如：淘宝）
如图：
5. 类别搜索
当应用中涉及到的搜索内容类似较多时，可以添加类别搜索功能，先选择类别后在进行搜索，可以更快更精准的搜索到相关内容。（例如：36氪、豆瓣）
如图：
第四部分：搜索结果展示形式
从搜索结果来看，依然有很多种展示形式，文字、图片、分类、视频类等，我们了解不同样式后可以根据不同的应用类型来选择合适的搜索结构的展示形式。
1. 文字类
主要以文字描述展示搜索结果，多用在音乐类应用上，因为我搜索的是歌曲本身的名字，图片对我们来说意义并不大。（如36氪，QQ音乐）
如图：
2. 图片类
主要以图片展示为主，用户会因为看到感兴趣的图片点击查看，所以多用在购物、资讯、电影等（如：每日优鲜、小红书）
如图：
3. 模块类
主要用于包含多类别的应用，比如：我们在得到上进行搜索时，输入一个“人类简史”字会发现有两个类别，一个是电子书，一个是音频，所以对于多类别的应用我们应该扩大搜索范围并分类别展示，让用户可以通过分类更准确的查找想要的信息。（如得到、猫眼）
如图：
4. 视频类
下面要说的比较特殊，通常只有在视频类的应用中出现，因为视频类的用户通常搜索目的较为明确，同时搜索出的结果也不会多样化，所以在此界面放入更多的操作按钮更方便用户进行选择观看。（如土豆，优酷视频）
如图：
结语
通过上面的对搜索功能的分析可知，一个搜索功能的样式，无论在哪个阶段都要对应用本身所适用人群、类型、权重等多维度进行分析，才能设计出更合理的搜索。所以搜索样式的本事没有好坏之分，只要在不同的场景下，选择最合适的形式才会提升搜索体验，让用户搜索的更快、更准。
作者：小溜Epik，公众号：海盐社
本文由 @小溜Epik 原创发布于人人都是产品经理。未经许可，禁止转载
题图来自Unsplash，基于CC0协议
2017.12.18
最 懂
的自媒体
12 min
SEO （搜索引擎优化）是“Search Engine Optimization”全称缩写。是一种通过了解搜索引擎的运作规则来调整企业网站/应用的排名方式。国内外不少研究发现，搜寻引擎的用户往往只会留意搜寻结果最前面的几个条目，所以不少企业都希望透过各种形式来影响搜寻引擎的排序。
近期，小程序的小动作不断，大家不定期的会发现一些新能力。比如：微信小店可免费升级到小店小程序；附近的小程序新增4个栏目分类等等。
而这两天，又有运营者发现小程序搜索框里有“历史记录”了！用户现在只要在发现栏的小程序主入口中，点击“搜索”后，下方就会出现你搜索过的小程序名称或关键词。萤连长测试后发现，“历史记录”中可储存20个你搜索过的关键词，你发现了吗？
你的使用历史，微信统统帮你留着
萤连长也算是微信的资深用户，这些年，微信真是处处留记录，让人“越来越懒”。因为，反正可以翻到历史及记录，费心思记做啥？
来，我们数一数，微信到底有多爱帮用户留下历史。
1.聊天区
聊天框的搜索栏会出现近期使用过的4个小程序图标；
单聊和群聊都会记录使用过的小程序；
查找聊天记录则更加细致，可按日期、图片及视频、文件、链接、音乐、交易来精准搜索。
2.搜索区
点击微信上方的“搜索”输入关键词后的结果页面，最先出现的就是你近期使用过的应用；
点击“搜一搜”的搜索框也会出现历史记录，同样也能储存20个搜索过的关键词；
3.直接提醒区
小程序主入口中直接把使用过的小程序存在列表里，还是按照使用过的先后顺序排列；
就连“看一看”中都有一个标签叫做“好友都在看”，这不也是好友留下的记录吗？
微信仿佛在说：“小子（zei），谁都别想赖账，说出口的话，用过的小程序我都给你留个备份。对象要是查岗，你删都删不完，还是老老实实交代吧”。
设置“历史搜索”，让用户留更多时间在微信
其实用户通过微信的搜索功能，留下历史记录也有这几点好处。
1.用完即走，不代表走了就再也找不到
小程序的特点是“即用即走”，比如要使用摩拜单车直接用微信扫二维码就能使用，但是你如果在微信搜索、小程序搜索中输入关键词，也能找到，并且还会把你搜索历史留下来，这样其实不是再一次为摩拜单车小程序留存了一名用户。
2.增加小程序曝光率
我们都知道，本来小程序就有40多个入口。而关键词的储存，让小程序有了个直达入口，相当于小程序直通车。比如：当用户想点外卖时，计划使用大众点评，但是点击“搜索”时，发现历史搜索中，出现之前用过的“饿了么”。如果此时是一名“佛性”用户，那么肯定就会再次使用饿了么点餐，都看到了，还费什么劲输入大众点评这个四个字啊。
3.完善搜索功能
从以上可出现“历史记录”的地方可看出，基本都是通过在微信内搜索可得。这不由的让人想到，2017年4月24日腾讯宣布对微信事业群架构进行调整，在微信事业群下成立搜索应用部。有人说，这是在针对百度，日后将要取代百度的龙头搜索大哥的低位，有人说，这是在和微博挑事情，把刷微博的流量全部拉到微信上来。
微信在“搜索”下的功夫，我们都有目共睹，从用户直接可搜索关键词获得小程序提供的服务，到现在的历史留存。可以说，微信一在培养用户的使用习惯。
之前，我们很少阅读公众号文章，都是看网页、报纸来完成阅读，通过5年的努力，现在微信公众号月活达到350万个，月活跃9.8亿的微信账户中，公众号月活跃关注用户就有7.97亿。可见，微信已经成功把用户阅读习惯带入公众号。
其实不仅如此，微信的九宫格也是培养用户习惯的重要手段。小程序+搜索功能，一定是一个趋势，未来肯定还会有大动作来培养用户这一习惯。哈~等着吧！
又回到了，小程序取名的终极问题
由于当我们输入关键词后，搜索到的小程序大多数模糊结果。那么，影响小程序搜索排名的问题将再次出现。之前萤连长就说过，影响排名的因素有：小程序上线时间；使用人数；名称和介绍语。
对于上线时间和使用人数这两个因素，萤连长只能说：加油哦！但是名称和介绍语还是可以说下。
首先，要知道规则。
取名：可以由中文、数字、英文。长度在4-30个字符，一个中文字等于2个字符；发布前，有2次修改名称机会，机会用完，必须先发布后，才可通过微信认证（认证要300块）进行改名。
介绍语：不要违法，字数为4-120个字符，一个中文占2个字符。一个月内可申请5次修改。
其次，就是具体操作啦！
1.关键词最好包含指数大的词，地名、品牌名、物件名等。比如水杯和杯子，虽然意思差不多，但杯子的搜索指数肯定大过水杯；
2.描述中完全匹配关键词的次数多，排名也会靠前。介绍语有5次修改机会，可以慢慢试。
个中效果，还需大家仔细尝试。
其实这些都只有前期占优势，最重要的还是要做好内容，虽说现在酒香也怕巷子深，但前提是你的酒都不香，强行把人拉来喝也不会有回头客啊！
围观
本文由重庆十全源码网络科技有限公司整理，欢迎留言咨询
前段时间腾讯宣布内部架构大调整，微信事业群没有变动，可实际上在一年多前微信事业群也进行了一次内部架构调整，成立了搜索应用部，搜索在微信中的战略地位得到前所未有的提升。
搜索应用部负责微信的搜索业务、阅读推荐业务、AI 技术研究及落地、微信数据平台建设和数据能力的应用。
由于大多数用户在微信上还没养成搜索的习惯，微信搜索这一功能的存在感一直不强。但近段时间微信在搜索服务上的更新愈发频繁，这些改变大都是为小程序赋能。
微信搜索和小程序这两个微信生态下相对慢热的业务，上线以来没有大起大落，但也一直循序渐进，直到如今两项业务的协同效应浮出水面，微信生态的布局和野心也逐渐清晰。
微信搜索正在成为小程序第一入口
在 9 月的尾声，微信接连上线了两个与小程序相关的新能力，巧合的是这两个功能的入口都在搜索框。
9 月 28 日，微信全面上线了「功能直达」能力，当用户在微信「搜一搜」或小程序搜索框中搜索特定关键词（例如机票、电影名称等），搜索页面将呈现相关服务的小程序，点击搜索结果，可直达小程序相关服务页面。
同时，一个名为「我的购物单」的功能也悄然上线，出现在小程序列表的搜索框中。用户在微信里将商品添加到「想买清单」后，就能在小程序列表的搜索框中发现「我的购物清单」的身影，这显然是微信对小程序电商的又一次赋能。
无论是「功能直达」还是「我的购物单」，都是为了满足用户快速在搜索框找到所需功能，向着「搜索即服务」的闭环，但微信通过搜索直达服务的功能，和 PC 时代的搜索引擎以及移动互联网时代的应用商店有所不同。
随着微信成为中国互联网的超级入口，月活超过 10 亿的微信已经不仅是社交和资讯的入口，同时也为各类生活服务类功能进行导流，最常见就是九宫格上的第三方服务，拼多多就是得益于此在 3 年内就成为仅次于淘宝和京东的电商平台。
但九宫格就那么几个，微信要想成为集成一切服务，进而蜕变成去中心化的移动互联网超级入口，就需要另外一个能力来连接这些服务和用户，微信搜索可能将承担这个角色。
微信的这一布局也有迹可循，过去一年多，微信推动小程序成为各类服务的载体，同时逐渐开放搜索直达，让搜索慢慢成为小程序的第一入口。
2017 年 1 月 9 日，张小龙宣布小程序正式上线，但对入口限制严格，不过 2 月就开放微信搜索对于小程序的导流。
3 个月后，微信专门成立了搜索应用部，很快微信搜索就迎来了大更新，微信用搜索连接服务的战略开始显现。
2017 年 5 月微信新增「搜一搜」入口，微信搜索框新增小程序快捷入口，最近上线的「功能直达」实际上从去年 8 月就开始内测，经过一年多的测试和调整才正式上线。
今年 4 月微信也为搜索功能进行了一次大更新，在「搜一搜」接入了更多类型和来源的搜索结果，搜索结果被分为公众号、朋友圈、文章、百科、小说、音乐、小程序、表情、问答、视频等 10 种类型，并通过卡片分类展示。
而且针对不同的搜索关键词，所展现类别顺序也不一样。其中在「文章」这一类别中，按照最近读过、关注的公号发布、朋友的分享、阅读量排序、发布时间排序等几个维度来进行筛选查找。
虽然微信生态内的信息容量还比不上虽然立足于 PC 的百度，但如今微信内的资讯足够海量，更细化的搜索分类和更有效的分发对于用户体验同样重要。
张小龙曾把小程序比作 PC 时代的网站，那么一个让用户能快速找到这些小程序的搜索引擎的入口就很有必要了。
尽管现在只有「文章」支持多维度的筛选，但这种搜索入口的优化也和可能出现在小程序上，甚至让搜索框可以承担小程序商店这样的角色。
据一份第三方的调查报告，旅游小程序最主要的场景入口就是「发现栏小程序主入口搜索框的搜索结果页」，可见在旅游这一类别的小程序已经培养起用户主动搜索的习惯，微信搜索确实正在成为小程序最重要的入口。
移动互联网时代，微信为什么还要做搜索？
在 PC 互联网时代，搜索引擎是用户获取信息的最大入口。但到了移动互联网时代，大量信息和服务被分割在一个个 app 中，整个互联网生态趋于中心化，搜索引擎的重要性不复当年。
张小龙也曾表示，PC 互联网的入口在搜索框，移动互联网的入口在二维码。那么为什么现在微信又要为小程序大力推进搜索这一入口呢？
的确，二维码成为了流量，尤其是线下流量重要的入口，微信支付和支付宝都是凭借二维码渗透到几乎所有线下消费场景。但二维码主要是提高了用户的交互效率，在微信上对搜索框的潜在需求其实也很庞大。
跟 PC 互联网的搜索引擎一样，微信搜索引擎一个很大的作用是帮助用户主动找到所需要的信息和服务，尤其是对模糊需求、复杂问题和长尾需求的解决，这是搜索引擎的核心价值。
在 2017 年前，微信上的「搜索」功能更新一直比较缓慢，主要是支持微信聊天、朋友圈和公众号等内容类信息的搜索。
不过就像上文所说的，微信在一年多以来为「搜索」功能接入了更多可被分发的服务和内容，同时小程序生态也逐渐丰富，接入的电商、O2O、游戏、工具和咨询服务也越来越多，用搜索为海量的内容和服务建立起一套分发规则，可能是微信想要做的。
▲ 拼多多小程序
尽管不少用户都没有在微信搜索的习惯，但微信超过 10 的月活，能让微信提供一个更为精准的搜索引擎，甚至根据用户习惯制定千人千面的搜索推荐。
这样个性化搜索中在淘宝中早就开始应用，但不同在于，但微信占据了中国手机用户近 30% 使用时间，涵盖了更多的生活和工作场景，这对于红利期尽头的电商们来说可能具有更大的吸引力，谁不想成为下一个在巨头夹缝中拔地而起的拼多多呢？
现在微信搜索和小程序的交集越来越频繁，一年多来被看好看衰多次的小程序，也成为增长乏力的腾讯新的增长引擎，被赋予了更重的战略地位，在腾讯 Q2 财报的「战略摘要」部分，腾讯第一个就提到了小程序：
通过将小程序与其他数字工具（如微信支付）整合，扩大小程序的功能与用途，为更广泛的垂直领域行业提供定制解决方案。
不过先要基于小程序和搜索重塑一个覆盖面更广的微信生态也不会一蹴而就，除了得培养用户在微信内使用搜索的习惯，微信一贯的稳扎稳打，小程序和搜索功能的发展不会太快，但这个趋势已经越来越明显了。
机器之心原创
作者：杜雪
2013 年，DeepMind 在 NIPS 大会上发表的一篇深度强化学习的文章，一举惊艳了学术界。2016 年 1 月，AlphaGo 在一场围棋大赛中击败李世乭吸引全世界的目光，其背后的强大武器正是深度强化学习技术。同年年底，2016NIPS 最佳论文奖也颁给了解决深度强化学习泛化能力较弱问题的论文。
随着深度学习的突破性进展，也促使强化学习的研究前景，重新获得了产业各界的关注。2016 年 8 月，在 ACM（国际计算机学会）会刊一篇名为《》的文章中提到，「DeepMind 的成功已经吸引了学术界与商业界对 DeepMind 的方法背后的人工智能领域的兴趣。」而相对于 DeepMind 和学术界看重强化学习的前沿研究，阿里巴巴这类公司则开始将焦点放在推动「强化学习」技术输出及商业应用。
在双 11 推荐场景中，阿里巴巴使用了深度强化学习与自适应在线学习，通过持续机器学习和模型优化建立决策引擎，对海量用户行为以及百亿级商品特征进行实时分析，帮助每一个用户迅速发现宝贝，提高人和商品的配对效率。比如，利用强化学习将手机用户点击率提升了 10-20%。阿里巴巴的这一技术是如何成型的，强化学习在其中扮演了什么角色？阿里巴巴的强化学习又有哪些独到之处？带着这些问题，机器之心专访了阿里巴巴研究员徐盈辉。
徐盈辉，阿里巴巴研究员，阿里巴巴搜索事业部搜索排序和基础算法的负责人，日本丰桥技术科学大学计算机科学博士。他规划和设计了搜索新一代的排序框架体系，建立了集 offline-nearline-online 三位一体的电商平台个性化搜索体系，推动和完成了搜索实时在线计算体系的规模化和平台化，在技术的先进性和业务的推动上都取得了突破性成果。
机器之心：可否介绍一下，阿里在强化学习技术方向的团队、研究重点及技术特点？
徐盈辉：强化学习作为一种有效的基于用户与系统交互过程建模和最大化过程累积收益的学习方法，已经在很多技术驱动的业务团队中获得了深入研究和探索，并且在一些具体的业务场景中得以大规模应用。在阿里巴巴搜索事业部，搜索和推荐算法团队的研究重点是，电商平台下的智能化流量投放系统，消费者权益智能化分发系统。其技术特点是运用多种机器学习技术，通过用户、query、商品以及对商家的理解，来提升搜索/推荐平台的流量投放效率。
阿里巴巴 iDST（Institute of Data Science and Technologies）团队的研究重点是 multi-media 技术平台，针对平台端的多媒体内容、语音、图像、视频等，运用深度学习、强化学习等技术来提供语音识别、智能客服、图片标注分类、实拍搜索、视频分析等服务。
阿里云大数据孵化团队，研究重点是数据中心的智能化运维和调度算法，针对传统行业以及政府基于大数据技术，降低生产成本和提升服务效率。技术特点是依托阿里云的 ET 智能算法平台，快速实现智能化解决方案。
菜鸟网络的算法技术团队则是围绕物流链路的各个节点，供应链、仓配、末端网络等，通过机器学习和运筹优化等技术手段来降低商家物流成本和提升消费者物流服务体验。
机器之心：强化学习技术主要应用在哪些业务方向？在阿里零售网络包括物流、用户行为分析等方面扮演着怎样的角色？
徐盈辉：这个问题我回答的不一定全面，就我个人理解和判断，强化学习技术在阿里平台上能够施展手脚的业务方向还是有不少的。互联网环境下，尤其是在移动互联网中，人机交互的便捷，碎片化使用的普遍性，页面切换的串行化，用户轨迹的可跟踪性等都要求我们的系统能够对变换莫测的用户行为以及瞬息万变的外部环境进行完整地建模。平台作为信息的载体，需要在与消费者的互动过程中，根据对消费者（环境）的理解，及时调整提供信息（商品、客服机器人的回答、路径选择等）的策略，从而最大化过程累积收益（消费者在平台上的使用体验）。而基于监督学习时代的信息提供手段，缺少有效的探索能力，系统倾向于给消费者推送曾经发生过行为的信息单元（商品、店铺或问题答案）。但是真正的智能化搜索和推荐，比如客服机器人，作为投放引擎的 agent，需要有决策能力。这个决策不是基于单一节点的直接收益来确定，而是当作一个人机交互的过程，把消费者与平台的互动看成是一个马尔可夫决策过程，运用强化学习框架，建立一个消费者与系统互动的回路系统，而系统的决策是建立在最大化过程收益上，来达到一个系统与用户的动态平衡。
机器之心：能否介绍一下阿里是如何通过持续机器学习和模型优化建立决策引擎，对海量用户行为以及百亿级商品特征进行实时分析，帮助每一个用户迅速发现宝贝、帮助商家带来适合买家？
徐盈辉：搜索技术体系演进至今天，基本形成了 offline-nearline-online 三层体系，分工协作保证电商平台既能适应日常平稳流量中实现稳定有效的个性化搜索以及推荐，也能够去满足电商平台对促销活动的技术支持，实现在短时高并发流量下的平台收益最大化。搜索的智能化元素注入到新一代电商搜索引擎的各个环节，通过批量日志下的 offline 建模，到 nearline 下增量数据的 retraining 和 fine tuning 的无缝融合，解决了 NP 环境下的 data shift machine learning 能力问题，基本实现了搜索体系从单纯依靠机器学习模型的高效预测进行流量投放，到从不确定性交互环境中，探索目标的在线学习，预测和决策能力进化。
2014 年双 11 通过排序特征实时，引入商品实时转化率，实时售罄率模型进入搜索 match 和 rank，让售罄商品额无效曝光大幅减少，并实现了成交转化的大幅提升；2015 年双 11 推出双链路实时计算体系，在特征实时的基础上，引入排序因子的在线学习，预测，以及基于多臂机学习的排序策略决策模型，在预热期和双 11 大幅提升了搜索流量的成交转化效率；2016 年实时学习和决策能力进一步升级，实现了排序因子的在线深度学习，和基于强化学习的排序策略决策模型，从而使得淘宝搜索的智能化进化至新的高度，并在今年的双 11，分桶测试效果表明，成交金额取得了近 20% 的大幅提升。
机器之心：技术输出方面，双十一也是一个典型案例，能否简单介绍一下背后这套搜索系统的技术路径是怎样的？强化学习和深度学习在搜索中的应用（算法和模型）带来了哪些提升？都有哪些突破性成果？
徐盈辉：运用机器学习技术来提升搜索/推荐平台的流量投放效率是目前各大互联网公司的主流技术路线，并仍在随着计算力和数据的规模增长，持续的优化和深入。针对阿里巴巴搜索体系的实时化演进，是什么驱动我们推动搜索的智能化体系从离线建模、在线预测向在线学习和决策方向演进呢？主要有以下三点：
1. 众所周知，淘宝搜索的具有很强的动态性，宝贝的循环搁置，新卖家加入，卖家新商品的推出，价格的调整，标题的更新，旧商品的下架，换季商品的促销，上下架，降价，宝贝图片的更新，销量的变化，卖家等级的提升，商品竞争程度的提升等，都需要淘宝的商品搜索引擎在第一时间捕捉到变化，并及时反映到索引结构中的相应信息单元，而在最终的排序环节，这些变化也需要及时融入匹配和排序，带来排序的动态调整。
2. 从 2013 年起，淘宝搜索就进入千人千面的个性化时代，搜索框背后的查询逻辑，已经从基于原始 Query 演变为【Query+user 上下文+location+time】，搜索不仅仅是一个简单根据输入而返回内容的不聪明的「机器」，而是一个能够自动理解，甚至提前猜测用户意图，并能将这种意图准确地体现在返回结果的聪明系统。
这个系统在面对不同的用户输入相同的搜索语句时，能够根据用户的差异，展现用户最希望看到的结果。正如同人的记忆是有时效性的，我们有理由相信：越近的数据能够越准确地预测下一时刻，如用户的兴趣偏离，商品质量动态变化。在我们的环境下，用户的数据和商品的数据会产生一个联动，既对用户的兴趣进行实时刻画，而用户对商品的偏好累计会造成商品表现的变化，这些变化通过对商品的实时计算，又会反馈给更多的用户。变化是时刻发生的，商品在变化，用户个体在变化，群体、环境在变化，个体和群体的隶属关系也在动态变化。在搜索的个性化体系中合理的捕捉变化，正是实时个性化要去解决的课题。
基于监督学习时代的搜索和推荐，缺少有效的探索能力，系统倾向于给消费者推送曾经发生过行为的商品或店铺；这类问题。真正的智能化搜索和推荐，需要作为投放引擎的 agent（笔者注：智能体）有决策能力，这个决策不是基于单一节点的直接收益来确定，而是当作一个人机交互的过程，消费者与平台的互动看成是一个马尔可夫决策过程，运用强化学习框架，建立一个消费者与系统互动的回路系统，而系统的决策是建立在最大化过程收益，来达到一个系统与用户的动态平衡。
3. 在 2016 年双 11，搜索技术和算法团队通力合作，首次大规模实现在线深度学习和强化学习等前沿技术，经过不断的尝试与改进，找到适合在搜索场景下可有效大规模应用的方案，对搜索排序在策略选择上做出了重大的升级，并取得了非常显著的成果。在搜索排序的 gmv 分桶总共提升高到 20+%。
机器之心：能否详细讲解一下，在 Reward 函数中加入先验知识势函数的原因和作用，以及和不加入势函数的比较结果？
徐盈辉：首先需要理解奖赏函数 R 的本质是什么？
奖赏函数的本质是一个状态和动作之间的数值关系。奖赏塑性函数的引入，其本质是在原有的奖赏函数中引入一些先验知识，加速强化学习算法的收敛，势函数相当于定义了学习任务的 subgoal（笔者注：子目标），引导学习算法完成 subgoal，进而完成整个学习任务的 goal。加入先验知识主要是为了加速学习过程。比方说，如果用强化学习求解迷宫问题，可以将每个状态所在位置与出口位置的 Manhattan Distance（笔者注：曼哈顿距离，几何学用语，用以标明两个点在标准坐标系上的绝对轴距总和）作为该状态上的势函数，引导 agent 往更靠近出口的方向走。
机器之心：训练 DQN 的一个问题是收敛较慢甚至不收敛，在训练强化学习模型时，阿里是如何克服这个难点的？
徐盈辉：如何把深度强化学习在业务场景中调通并达到要求，在某种程度上讲是个手艺活。相比于监督学习，需要分析的变量相对复杂，要考虑状态变量、策略空间、奖赏函数等多个环节。强化学习是一个机器学习领域的重要分支，随着 DeepMind 的 AlphaGo 的一炮打响，业界兴起了强化学习研究热潮，任何问题都希望用强化学习这把个利刃砍一刀，不管问题是不是适用，自己实现的强化学习逻辑是不是正确，强化学习在整个算法逻辑层中的作用是不是显著，学习到的策略是不是到最优，有没有收敛，对于这一系列核心的问题鲜有关注。只关注最终的一个效果，实际上是有违严谨的科学精神的。在 2016 年 NIPS 大会上，John Schulman 给出一系列技巧，首先通过问题简化来验证强化学习实现逻辑的正确性，将训练过程中的关键变量可视化出来加以观察，包括状态的分布、状态转移分布、值函数变化。
另外强化学习训练过程中超参数的设置也是至关重要的，比方说 Actor-Critic 方法，如何设置合理 actor 网络和 critic 网络的学习率，一般原则是 actor 网络学习率相比于 critic 网络的学习率来的小。奖赏函数的初始化对最后的收敛速度也会有不小的影响。状态空间的归约、Reward 函数的 scale 化、策略迭代过程中，也需要有效控制策略漂移问题等等。另外就是，合理的利用基于 Replay Buffer 的 Sampling 策略和迭代训练的方式。Sampling 策略的主要目的是打破由于样本的关联性导致的策略寻优方向陷入 Local Minima（笔者注：局部极小）。另外通过几个改进的 DQN 算法，比方说，DDQN 方法通过引入两个 Q-network，一个用于选择动作，一个用于评估动作，交替执行，解决 upward-bias（笔者注：向上偏误）问题，这样犯错的概率就能大幅下降。
机器之心：用户的哪些行为与数据会被用于模型的训练？这些行为是如何被抽象成训练集的？
徐盈辉：用户在整个进入淘宝平台后的主动行为，输入、Query、点击、收藏、加购、购买、评论等都会作为基本的 feedback signal（笔者注：反馈信号），通过分析这些不同类型的 feedback 与平台长期优化目标的关系来刻画 Reward 函数（笔者注：奖励函数），而行为对象的 attributes（用户最近点击的商品所携带的特征（品牌、店铺、类目、价格等）和用户长期的偏好特征）作为状态会成为表征强化学习中状态的元特征，通过深度学习实现状态空间的参数化表示，对于智能体策略空间则通过日志埋点系统回流至实时数据分析和训练引擎，训练数据组织则按照马尔科夫决策过程的数据结构来组织，对于 off policy（笔者注：离策略）的强化学习模式，算法模块通过将数据组织成【s,a,r,s】】（当前状态，策略，奖赏信号，下一个状态）四元组形式，即可作为强化学习的训练数据，输入给训练模块；对于 on policy（笔者注：在策略），比方说 SASAR 的学习模式，算法模块将数据组织成【s,a,r,s】,a】】（当前状态，策略，奖赏信号，下一个状态，下一个策略）五元组形式，输入 DQN 训练模块。
机器之心：阿里用于训练强化学习系统的硬件资源、训练时间等情况是怎么样的？
徐盈辉：实战型强化学习系统必然要求拥有一个能够快速收集的 feedback，在线学习能力的实时计算引擎，从而能有效评估策略改进效果。阿里从 2013 年就开始着力研发基于 streaming 计算引擎的在线学习平台，发展至今天，已经初步形成了规模化的基于 Flink 计算引擎的流式智能化算法引擎，能够在秒级别完成数据采集、分析和训练，在线部署预测。这个端到端的大规模在线深度强化学习任务在 2016 年双 11 上，共处理日志量近 200 亿，处理消息量超三千亿，流式计算平台处理峰值超千万 QPS（笔者注：每秒查询率），实现 24 小时不间断无延迟运转，在线策略改进频次高达几百万次。
机器之心：能否谈谈目前阿里训练好的强化学习系统应用到新任务的泛化能力？
徐盈辉：搜索事业部的基础算法团队依托于 Flink 社区，自主研发了 Blink 流式计算引擎，并在此之上开发了称之为「Porsche」的大规模分布式在线学习算法框架，并基于此算法框架，自主研发了算法组件库 ai4b。目前主流的深度学习模块，DNN、CNN、RNN（笔者注：分别为深度神经网络、卷积神经网络、循环神经网络）以及强化学习模块的基本功能组件都开发完毕并投入应用，所开发的 DDPG 和 TRPO 算法适用于大规模连续状态空间，连续 action 空间下的强化学习任务，而 A3C 和 DQN 算法适用于大规模连续状态空间和离散策略空间下的强化学习任务。
机器之心：强化学习需要强大的深度学习网络的支持，目前阿里的深度网络达到了多少层？
徐盈辉：首先我想指出用深度网络去支撑强化学习只是一种技术手段而已，其核心目的是为了加强对于强化学习本体的输入状态和策略空间的更有效表达，而层数与参数空间和样本规模是有关系的。对于大规模连续状态，连续 action（笔者注：行动）空间下的 Q-learning，通常是通过 embedding（笔者注：嵌入）方式进行映射，而低维空间下线性组合方式会导致优化过程陷入 Local Minima，因此会考虑通过高阶非线性映射来实现状态表达和策略表达的交叉映射效果，从而有效解决局部最优解的问题。
机器之心：最近 GAN（生成对抗网络）与强化学习结合起来做序列形成是一个热点，您怎么看这个算法的发展前景？阿里在 GAN 这个算法方面有相关研究与进展吗？
徐盈辉：GAN 最吸引我的是它的系统性学习思想，未来的机器学习领域应该是需要更多的系统化思考的专业人士，我把它称之为 Systematic Machine Learning（笔者注：系统性机器学习），为什么这么说呢，机器学习的三大研究领域，非监督学习、监督学习、强化学习，就像 Yann LeCun 在 2016 年 NIPS 大会上提出的「蛋糕」比喻，把我们需要的预测信息类比成蛋糕，认为强化学习是上层的樱桃，每个 sample（笔者注：样本）只包含很少的信息，而监督学习则是蛋糕外层的糖衣，每个 sample 要包含更多的信息，无监督学习则是剩下来的蛋糕主体，每个 sample 包含的信息非常多（数百万 bit）。同理，GAN 的精妙之处是能很好把这三个大领域的技术体系完美的结合起来。非监督学习长期受困于无法形成基于有效目标的评估体系和迭代优化方案，而监督学习受困于标注样本的匮乏和 bias（笔者注：偏置），而 GAN 的思想可以将强化学习作为将非监督学习和监督学习之间桥接的技术手段，非监督学习得到的 Representation Model（笔者注：表征模型）运用到监督学习网络中去评估并将结果通过 Policy Gradient（笔者注：策略梯度算法）方式回传非监督学习的迭代优化过程中；不妨用 Actor-Critic 体系来阐述 GAN 的训练思想，Actor-model 在某种意义上，我们看成是一个从 state（笔者注：状态）生成 action（笔者注：行动）的 Generative Model（笔者注：生成模型），而将 Critic-model 看成是基于状态-策略输入下的 Q 值回归网络的判别式过程，整个数据理解和建模过程就通过这样的系统新运作方式来使得生成式模型更好地去发现「未知」世界中的类 True Positive 样本，而判别式模型也能更好地从逐步完成一个个困难样本的判别来提升模型鲁棒性。阿里巴巴搜索事业部基础算法团队也在积极尝试利用 GAN 思想来解决我们的业务问题，并在传统的 Learning to Rank 算法和推荐算法，以及 OCR 识别领域重取得了不错的实验性结果。
机器之心：基于深度学习和强化学习的搜索和推荐算法，在实际的推荐和客服场景中还有哪些创新型应用？
徐盈辉：「强化学习」技术的应用场景广泛，市场空间巨大，从游戏 AI、围棋博弈、自动驾驶汽车、机器人控制，到电商推荐、工业智能制造、新能源发电、调度管理，都可以找到应用的场景，去实现能够让机器算法像人一样学习、思考、决策。
机器之心：您最近重点关注的技术点有哪些？阿里在强化学习方向上还有哪些着重解决的问题？应用方向上会有重要突破点吗？
徐盈辉：仍然会持续关注强化学习方向的新进展和突破，基于逆强化学习、迁移学习来更合理地刻画奖赏函数、多智能强化学习，目前我们的研究还是停留在单智能体的强化学习，而对于电商平台，如果把我们商家，消费者都应该看成智能体，这样就形成了一个非完全信息下的 multi-agent learning（笔者注：多智能体学习）问题，如何设计有效算法体系来实现平台智能体，用户智能体之间的 coordination 也是一个值得考虑和研究的方向。目前阿里在强化学习上着重解决的问题是基于新一代硬件体系和网络环境下的大规模分布式在线机器学习框架的研发。应用方向上的会着力尝试结合商业不完全信息环境下的多智能体强化学习，基于 GAN 算法框架下的生成式模型在搜索推荐场景下的应用。
?本文为机器之心原创，转载请联系本公众号获得授权。
?————————————————
加入机器之心（全职记者/实习生）：hr@jiqizhixin.com
投稿或寻求报道：editor@jiqizhixin.com
广告&商务合作：bd@jiqizhixin.com
应用机器学习很具挑战性，因为设计完美的学习系统相当困难。
一个问题永远没有最好的训练数据集或者最好的算法，最好的只能是目之所及。
机器学习的应用可以理解为一个搜索问题，即根据某个项目的已知信息和可获取的资源，找到从输入到输出的最好的映射。在本文你即将看到把应用机器学习当作搜索问题的概念。
阅读完本译文你会了解到：
1. 应用机器学习是一个逼近未知映射（输入到输出）函数的问题。
2. 设计上的某些决定比如数据和算法的选择局限了映射函数的选择。
3. 机器学习的搜索概念化有助于合理地选择集成算法，算法的查验以及理解算法在学习的过程。
现在一起来看下吧
概述
本文分为 5 部分，分别是：
1. 函数近似问题
2. 搜索里的函数近似
3. 数据的选择
4. 算法的选择
5. 机器学习作为搜索的影响
函数近似问题
应用机器学习是一种学习系统的发展，目的是为解决具体的学习问题。
学习问题指有可观察的输入和输出，并且二者存在某种未知但内在的关系。
学习系统的目的是学习输入与输出之间可推广普遍适用的映射，从而可以从同一问题领域内的新输入数据里预测输出。
从统计学习，即统计角度下的机器学习，这个问题可以定义为求解给定输入 X 和对应的输出 y 之间的映射函数 f。
y = f(X)
我们有 X 和 y，目的是尽最大可能得到这样一个函数 fprime，可以使得在给定新数据 Xhat 的情况下，得到的预测结果 yhat 接近真实输出。
yhat = fprime(Xhat)
由此而见应用机器学习可以被看作函数近似的问题。
习得的映射一定不会完美。
设计和建立这样的学习系统实际上是寻找潜在而未知的从输入变量到输出变量之间的映射函数。
我们不知道这个函数的具体形式，因为如果我们知道就不必去找了， 直接用它解决问题就可以了。
正因为我们不知道真正的底层函数，我们必须采用逼近的方法，这也意味着我们不知道而且可能永远不知道我们距离那个真正的映射函数有多远。
搜索里的函数近似
我们需要根据实际的问题和目标找到那个足够近似的映射函数。
然而实际学习过程里很多噪音导致错误，这使得学习变得更加挑战，而结果找到的目标函数差强人意。比如：
问题定义的选择
训练数据集的选择
训练数据集的准备（清洗，处理等）的选择
预测模型的表达形式的选择
算法的选择（模型比较好地契合训练集）
预测模型的评估
以及更多其他因素。
可以看到在学习过程中有很多决策点（决策的关键点），但是它们在此之前都是未知的。
你可以把学习系统的学习当做一个很大的搜索空间，每个决策点都帮助减少搜索的范围。
举个例子，如果学习问题是预测花朵的种类，那么你可以减少搜索的范围：
选择定义问题为预测花的种类，如分类
选择某种类以及类属种类的花的测量方式
选择某个具体的花棚里的花作为训练样本
选择决策树模型，因为该模型解释度高
选择 CART 算法来契合决策树
选择分类准确率作为评估标准
也许你会发现建立学习系统的众多决策中有自然的层级式关系，其中每个决策都有助于减少搜索空间。
搜索空间的减少实际上引入了有益的偏差，它会有意选择那些更可能靠近底层映射函数的学习系统。偏差即在高层定义函数的时候发挥用处，同时也在底层算法以及其配置问题上有帮助。
数据的选择
机器学习问题的架构选择和用于训练系统的数据是学习系统开发中的一个重要因素。
你无法一开始就能获取所有的数据：即所有输入和与之对应的输出。如果你已经有了全部的数据，那么也就不需要预测模型就能对新的输入观测值进行输出预测了。
你肯定会有一些输入输出组的历史记录。如果没有，那你就没有任何数据来训练你的预测模型。
也许你有很多数据，但你只需要选择其中的一部分用来训练学习系统。或者，也许你可以随意生成数据，而挑战在于生成或收集什么数据以及要生成多少数据。
选择用来对学习系统建模的数据必须能够充分地俘获输入和输出数据之间的关系。这些数据既包括现有的数据，也包括预测模型将要预测的数据。
算法的选择
您必须选择模型的表示形式和用于在训练数据上拟合模型的算法。这是影响学习系统发展的另一个重要因素。
项目的利益相关人员对项目施加约束是很常见的，例如模型要能够解释预测，而这反过来又对最终模型的表示形式，以及你可以搜索的映射范围施加了约束。但是，这个决策通常被简化为对算法的选择。
机器学习作为搜索的意义
这种将学习系统的开发概念化为搜索问题有助于阐明应用机器学习中的许多相关方面，本节将讨论其中几个方面。
迭代学习算法
用于学习映射的算法将施加进一步的约束，它与所选择的算法配置一起，将在模型拟合后控制如何引导可能的候选映射空间（例如机器学习算法中的迭代学习）。
在此，我们可以看到，机器学习算法从训练数据中学习的行为实际上有望引导学习系统可能的映射空间从差到好，逐渐优化（如爬山算法）。
集成的理论基础
我们也可以看到不同的模型表示在所有可能的函数映射的空间中占据着完全不同的位置，而在进行预测时（例如不相关的预测误差）又有着完全不同的行为。
这为集成学习方法提供了一个概念性的理论基础。集成学习结合了多种巧妙的预测模型的预测结果。
抽样检查理论
具有不同表示方式的不同算法可以从可能函数映射空间中的不同位置开始，并以不同的方式引导该空间。
如果这些算法引导的约束空间都是由合适的架构所限定，而且有良好的数据，那么大部分的算法都可能会发现良好而且相似的映射函数。
我们还可以看到，如果有一个好的架构和精心挑选的训练数据，那么通过现代强大的机器学习算法就可以开辟一个候选映射空间。
这为在给定的机器学习问题上对一套算法进行抽样检查有助于找到最优或选择最省的结果（例如奥卡姆剃刀理论）提供了理论基础。
延伸阅读
如果您想深入研究的话，本节将提供更多关于该主题的资源。
Chapter 2, Machine Learning, 1997.
Generalization as Search, 1982.
Chapter 1, Data Mining: Practical Machine Learning Tools and Techniques, 2016.
On algorithm selection, with an application to combinatorial search problems, 2012.
Algorithm Selection on Wikipedia
总结
在这篇译文中，您掌握了作为搜索问题的应用机器学习的概念。具体来说，你学习了：
1. 应用机器学习是一个从输入到输出的未知的潜在映射函数的近似解问题。
2. 诸如数据的选择和算法的选择这样的设计决策缩小了最终可能选择的映射函数的范围。
3. 机器学习作为搜索的概念有助于为集合学习的使用、算法的抽样检查提供理论基础，并有助于理解算法学习时的内部原理。
来源 / machinelearningmastery.com
翻译 / Julia、江辉
校对 / 江辉
整理 / 雷锋字幕组
本文由雷锋字幕组翻译整理，AI研习社 独家发布。添加微信：leiphonefansub，加入我们。
手动调参慢，随机搜索浪费资源？Deepmind 异步优化算法 PBT 解决神经网络痛点
快指数，以热门短视频主播数据为核心的数据交流社区，其在直播方面有丰富的资源，汇聚众多火爆的视频主播视频。以快手搜索海量网民行为数据为基础的数据分析统计平台，在这里您可以查看全网热门事件、品牌、人物等等一系列查询词的搜索热度变化趋势，从而掌握网民需求变化；也可以从行业的角度，分析市场特点。
每个快手用户都可以通过对快指数工具的灵活运用来辅助自己工作和生活当中的分析和选择，依据优越的数据能力和科学的计算，发布主播排行榜单。快指数持续为用户提供优质的直播数据内容。
一、功能说明：
1、查询个人粉丝情况
微信小程序搜索快指数，在首页搜索框内直接输入你想查找的ID主播并确认，或者首页榜单展示的热门主播排行榜，即可查看该ID主播在过去30天内粉丝的关注热度变化趋势数据。
快指数查询工具支撑如下功能：
支持快指数数据的自动保存，自动恢复（退出软件自动保存，打开软件自动恢复上次查询的结果）；
根据最新的主播数据，按照用户的关注数据类型，分类发布主播排行榜单。榜单类型包括：粉丝榜、涨粉榜、播放榜，其中粉丝榜为具体日期统计的主播粉丝变化数据高低排行。播放榜及涨粉榜为统计时间阶段内的数据增长变化。