2016-01-11

板栗的剥法

晚上心血来潮想吃板栗.
于是便去买了斤,23块.
顺手Google了下成本价,感觉利润率还蛮高的.

然后想到了一个问题.

利润率高就是一门好生意么.
或者说,单纯看利润率是不是就能判断是否有价值/值得去做.

考虑简单的revenue = income - investment.

对于一个商品而言,价格/售价带来的收入income是大致固定的.
那么,要提高利润/收入revenue的话,减少成本investment的投入就是很自然而然的想法.

但这里隐含一个奇妙的假设.
那就是这个计算是基于单次交易的.

也就是说并没有考虑周转率.
或者说转化时间.

一个稍微极端点的例子就是.
存在一个利润率为80%的交易A与一个利润率为1%的交易B.
A的交易周期或者说完成时间是100年,而B则只需要1秒.
那么,不用计算也知道在一定时期内B的累计收益要比A高.

修正一下的话,就应该是
revenue = (income - investment)/transation_time.

拆分一下的话就是
revenue = income/transation_time - investment/transation_time.

如果一个产品的生命/销售周期是确定的.
那么income/transation_time的部分就是一个常数.
所以,maximize revenue的方法实际上就是minimize investment/transation_time.

把这个minimize的部分换个角度看的话,实际是就是要求单位时间的内的投入尽可能地少.

如果transation_time不是确定的话,但预期收入income和预计投入investment是确定的话,不如一些成熟产品的销售开发等.
则明显的只能通过缩短transaction_time来达到优化revenue的结果.

如果都是不可预期的呢?
比如一个新东西的研发,可能一切都是不那么确定.

考虑另外一种形式.
revenue = income - investment - transation_cost.

这里,尽管income和investment可能也是当前不确定的因素.
但在研发或者说投产之后,则可以认为是已知的.

换句话说虽然是不能实现量化的,但从性质上来说两者的运算是一个常数.
因此,问题也就简化为minimize transation_cost了.

这里取巧的是并没有定义具体的transation_cost是什么.
而只是一种泛化的对影响交易流动速率/周转率的东西的一个统称.

具体到栗子的问题.
影响它周转率的是什么呢?

一个是人流,一个是炒栗子的速度.

给定一定的炒栗子的速度,那么周转率就首先受人流量的制约.
当人流量到达一定程度的时候,就收到炒栗子的速度的制约,而且存在一个极限瓶颈.

这里仔细想想的话,其实是分几个阶段.

第一阶段是收人流制约的阶段.

这时候该如何最大化收益呢?

自然是想办法增加流量.

思路可以是招揽顾客,这是基于地点固定的假设针对landing转化率的优化.
或者切换不同时间点人流地方,这是基于地点不固定的针对流量的渠道优化.

甚至更进一步的,以横向开店的方式综合landing和渠道的流量优化.

从现实角度来说,这个阶段基本上是可以无限延续下去的.
只要市场还没有饱和.

如果已经饱和了,那处于什么阶段都是无意义的.
因为过剩使得这时候并不存在进一步优化的空间.

单纯思路上考虑的话,第二个阶段就是栗子产量更不上需求的阶段了.

一个自然的想法当然是提高生产效率了.
使得单位时间的产出栗子数跟上需求的增长.

然而,如果存在一个物理极限呢?

考虑下定义产量跟不上需求这个描述.

实际上就是
demand - supply > 0

利益最大化的过程实际上就是让
demand - supply -> 0
的过程.

而前面的假设是supply已经达到物理极限了.
那么还存在优化的可能么?

如果以某种形式减少demand呢?

考虑这里的supply其实是一个时间相关的函数.
所谓的达到极限也即使supply的速率达到了一个极限.

既然supply是个时间相关的速率函数,那么demand也应该是一个时间相关的速率函数.

也就是说实际上,它表征的并不是需求的总量,而是需求的单位时间速率.

做个定义
demand = (people * demand_per_person)/ unit_of_time

这样的话,即使前面假设people继续增长,那么通过调节demand_per_person也可以维持不等式里demand的值.

这个demand_per_person的实际意义可能是分量,也可能是配给的限额或者其他类似等价的东西.

另外一个思路是考虑supply.

原本的supply假设是跟demand无关的.
如果有关呢?

如果demand可以转化为某种形式的supply呢?

一个可能的形式就是如果买栗子的用户自己炒栗子的话,那么demand - supply = 0就是恒成立的.
跟最初的单方的炒栗子的物理极限无关.

退一步来说,把炒的过程分解摊分给用户,也能在一定程度上扩展物理极限的约束.

相对与demand_per_person的方案来说,转化demand为supply的方式理论上跟持续一点.
毕竟现实里demand_per_person并不是一个可无限细分的量.

所以,理论上来说,貌似是一个在市场不饱和的前提下永续下去的东西.

到这,发觉栗子没吃完就已经有些腻了.

于是,大概也不是一个特别不容易饱和的东西.

2016-01-10

一点评论

其实想想,大概很多人上个网刷个微博评论下热点事件,也只是一种娱乐方式吧.
并不一定说是有什么特定的倾向或者立场.

多数情况可能只是一种狂欢性质的群体活动.

这两天看快播的事件也是.

印象中依稀还记得当年快播被查封的时候舆论的风向.
大抵是没有今天这么为色情内容申冤的.
所以这两天其实也挺不解为什么"技术本身并不可耻"这个观点是怎么被套用上来的.

想了想,可能的一个因素大概是衍生自GFW吧.
毕竟有段时间以来,一些工具的作者相继地收到一个行政上的干涉.

可能就像某个评论说的,只是恰好捞了一些技术人员的同情产生的类似同感的情绪罢了.

其实大家都明白,在相当长的一段时期内,快播的品牌形象确实是跟色情视频捆绑在一起的.
在事发前还没有同情情绪的时候,还有相当程度的负面的关于捆绑和流氓的名声.

当然,这些在今天已经无所谓了.
虽然说,勉强也可以套用技术中立的论点.

而同样的,百度迅雷腾讯等提供或者曾经提供过类似服务的,也一并列入了这个类似同情的情绪当中.

客观一点说,这股"同情情绪"的根源还是来自于面对公检法的一种传统印象的"弱势".

就像虽然说舆论上对辩方的表现有极度的嘲讽和贬损,但是实际上还是认为这个案子的结论是必然有罪的.

这是个很微妙的情绪.

一方面是对有罪的自我认知.
一方面又是对无罪的某种自我辩护.

尽管,"有罪"的这个心里可能并不一定是来自于认为快播确实触犯了相关法律法规.
而是基于脸谱化的对公检法屈打成招的印象的一种推断.

但不管怎么来说,这是一种挺矛盾的心理.

认为快播无罪的,除了一些也是对脸谱化印象的逆反心理之外,还有相当程度的就是基于上面提到过的技术中立性的感情牌.

虽然该案的起诉点在于传播淫秽物品并牟利,跟版权的传播正当性并没有什么关系.
但可能也是受辩方律师的一些思路影响.

辩方想的可能是通过直接否定掉传播责任来脱罪.
所以看直播的文字资料以及相当程度的衍生段子都是围绕类避风港原则的传播点原则来展开的.

某种程度上来说,跟控方就一直没在同一个频道对话过.

就视频播放来说,快播事实上是存在两类有交叉的内容的.
一个是版权视频.
一个就是案件所指涉的色情视频.

后者某种程度上来说也算前者的一部分子集.
除去用户自己制造的部分,其他也是带有版权的色情视频.

辩方用版权来回避否定传播的有罪性质.

而控方的着力点则并不在于视频版权的合法性,而在于视频的内容本身是否违反了法律法规.
即是否是色情视频.
这个也是案件的一个基本核心.

所以,理论上来说,即使辩方在这方面的辩护做得再好再天衣无缝,但对于罪名本身是毫无帮助的.
某种程度上来说,只是在无谓的消耗时间和某种形式的娱乐大众.

因此,人民日报也会有相关的评论文章来指责这种舆论上的偏离主题的表现.
毕竟是两回事,不能混为一谈.

而且就庭上承认知道有色情内容(知道有色情内容并做过专门过滤)这一点来说,更是给自己提供了一个不利的因素.
因为这基本上就是帮助对方确认了传播淫秽内容并牟利这个命题的前半部分了.
剩下的控方只要再提供证据证明有传播并因此牟利就能完成控诉的证据链了.

牟利这点对于控方来说相对容易证明.
毕竟互联网公司的盈利模式相对单一.
而且实际上确实也是因为附加的广告产生的收入,

即使有部分并不是色情内容,但却是确实产生了收入.

所以大概也就能理解为什么会继续引用技术中立性来做辩护了.

这里的中立性的另一层意思是色情内容的消费传播并不是快播的责任.
所援引的证据是并不存储和分发内容.

而控辩双方的一个争论焦点就在于缓存服务上的内容属于不属于存储行为.
技术上来说,快播这点并没有问题.

然后是分发.
快播引用的是虽然有提供搜索服务,但是针对性地添加了110系统,所以不存在主观故意的动机.
这个辩护也没什么缺点.

但也只是勉强去除了主观故意的传播这一点.
并没有完全的免去针对传播的指控.

所以,原则上来说,如果只是到这个程度的话,即使控方不能以最高量刑入刑,也至少能以一个较低的量刑入罪了.

想到这里的话,大概有些明白为什么辩方一直坚称技术无罪了.

毕竟,到了这个阶段,只能再加证明具有客观上的不可抗性了.
也即是用户的使用行为不是快播的责任,从而不构成是快播传播的这一论点.

快播在证明不可抗性的时候使用的是有做措施过滤过滤但效果不好.

这个出发点可能也并不是很好.

因为这点恰恰是否定的不可抗性,证明是有能力干涉的.

所以,就这个结果来说,快播可能还是避免不了客观上传播淫秽内容并牟利的罪名.
某种程度上的共犯或者协助犯罪的定性.

而且实际上来说,控方还可能利用相应法律法规规定的信息服务商的自律条款来推导这个不可抗性的辩护.
打回到主观传播的途径上面.

于是想想,快播在传播这一点上的辩护余地并不如想象的多.

剩下的一点希望可能反倒是在牟利这一点上.

毕竟,即使不是对于案件而是正常的公司运营角度上来看,也可能并不容易区分具体流量的盈利程度和价值.
而且从事实上来说,并没有足够的量化证据证明广告的收入是来自于视频的播放.
尤其如果并没有在播放前加入贴片或前置帧广告的话,就更难直接关联了.

某种程度上来说,也并不是完全的没有胜诉的希望.


2015-12-20

明镜止水

下午等考科目三的时候想到的一个问题.

给定一定的skill level k,结果的pass的score s与否应该是一个类似:
s = k*p
的关于p的一个概率关系.

也就是固有的技能熟练程度随一个分布的"随机"波动.

考虑把概率p展开为加权w的因素f的多项式看的话.
即类似:
p = w_1*f_1 + w_2*f_2 + ... = \sum w_i*f_i

则s=k*p
->
s = k*\sum w_i*f_i

这个形式好像没什么意义.

但如果换个思路写成
s = k + w_i*f_i + w_2*f_2 + ...
的话,即在给定技能水平的条件下,最终结果取决于跟其他因素的一个某种形式的和.

实际形式可能是
s = c_0(k) + c_1(w_i*f_i) + c_2(w_2*f_2) + ...
的形式.
其中c_n为某种到s的space的mapping functions.

通俗地说,就是给定技能水平的话,实际的结果收到一些f因素的影响.
也就是对分布p的波动性的某种形式的解释.

一个前提假设.
如果是绝对理性/理想的情况下,那么给定一定的k,则有一个相对于的固定的s.

现在引入c(w,f)作为对p的解释的话.
也就是说s的最终取值收到参考因素的影响/贡献.

实际的例子可能是f为紧张程度,或者环境因素.
对s的影响的形式就是比如过于紧张/环境关系造成的发挥失常/超常等的一种波动性的解释.

也就是当c(w,f)为positive的时候,对s的贡献就是正的.
换句话说,就是这个因素对技能水平的观测/评测有着积极的/超常的作用.

反之类似.

那么单从等式的角度来说,就存在一些解,使得最终的s尽可能地最大化.

即,如果能够分清因素对"发挥"这种行为是正面还是负面影响的话,就有可能使得最终的结果收益尽可能地大.

当然,这里c(w,f)可能隐含一种相互的约束.
因为s应该是一个bounded的,所以c(w,f)应该也是bounded的.
基于在这里认为c_0(k)是一个绝对中立/理性的值.

但是实际来说,在结果出来直接可能很难判定一个因素的影响是积极的还是消极的.
就像"紧张"这种因素.

它可能使得人注意力分散,也可能反过来刺激人的肾上腺素对结果造成正面的影响.

也就是说,这种描述更多地像是对一个one shot的东西做的一个事后的补充解释.
而不能在事前发现和重复利用.

类似于可以事后给出一个形如:
s = c_0(k) + c_1(w_i*f_i) + c_2(w_2*f_2) + ...
的表达式.
其中c_n都是"已知"的表示.

即可以有任意的满足
s = s' = r(k,w_1,f_1,w_2,f_2...)的函数.

即使在当时能够分辨地出能够影响结果的因素的f_n.
那么依然有着w_n的free variable.
并不能够确切地做一个确定的描述.

如果有确切的描述的话,那么就是已知w_n和k.
最大化s的问题就变成调整因素f_n的问题了.

也就是相对可控的"紧张"到什么程度能让结果较优/最优.

问题是,实际上并不能在事前得到这么一种表达方式.

换个思路.

既然假设了c_0(k)是一个常量的话.
也就是假设技能水平是固定不变的.

那么对于
s = c_0(k) + c_1(w_i*f_i) + c_2(w_2*f_2) + ...
就存在一个关于s的确定的解,
即
s_0 = c_0(k)

也就是说,如果不做一些诸如maximize的speculate的动作,而是遵循实际的技能水平的话.
那么是有一个确定可预知的结果的.

这个解的约束是\sum c_i(w_i,f_i) = 0.

同样的,如果从general的角度来看的话,因为无法在事前确定c(w,f)的具体形式和描述.
所以事前并不能根据实际的描述,来通过调整相应的f取得满足上面约束的解.

但同样的考虑一个特殊形式.
即所有的c(w,f) = 0的情况.

这是对于上面约束的一个特殊解.

即,如果把能够影响结果的因素的贡献都降低到0.
那么也就相当于实际上把这个影响因素移出等式/排除掉了.

世俗上来说,就是如果能把"紧张"之类的情绪等因素排除掉干扰,那么就存在对结果的一种确定性的预期.

代价则是使得结果不存在变数,也就是不存在着某种程度的投机/优化.

所谓的明镜止水.



2015-12-13

同一类人

下午看 万万想不到 的时候在想一个问题.
好像很长一段时间以来的笑点都是在一些对所谓梗的理解上.

有时候只是意识到了用某些元素,但镜头还没达到就先笑了.

而有些时候,对于一些努力制造的笑点可能却没什么反应.
即使周围的人都笑了.

这里不是想说笑点高低的问题.
而是似乎很多行为的动机只是在寻找某些熟悉的东西.

包括一些社交网络上的一些动作.
很多时候也就是一些基础元素的延伸反复变化而已.

就像蛤一样.

有些内容其实并没有什么太大的意义.
但是通过某种联想和映射使之跟某些旧有的东西产生共鸣的话,仿佛就会产生一些奇怪的作用.

比如前段时间12306的验证码.

所谓的一个脑洞,就对各个小圈子/领域的人产生了某种群体创作和参与的潮流.

如果去考虑为什么有这种流向度的话.
一方面可能是某种讽刺形式扩散.

但可能更主要的是形式上的可重复性的某种reinforcement.

无论是哪个圈子的验证码组合,其内容也并没有带来什么新的东西.
反而可能是一些该圈子所共知的一个基本常识/事实而已.

一个更通常一些的形式可能就是某些特定的回复模式,或者说管有的吐槽方式.

就像某些账号黑穆斯林产生的关于羊的回复.

或者更常规的,从 跪了 到 这是我的膝盖 之类的同义固形的回复句式的应用.

再典型一点的就是某些所谓的表情所构成的聊天记录.

尤其是表情.

考虑聊天的内容构成是存在一定的上下文连续性的.
而纯表情能构建起来并继续下去,从另一方面看就是说明这些表情构成了一定的内容描述.

换个角度,如果把"表情"考虑为某种语言的基本"单词"呢.

或者更广泛地来说.

在对外部交互的时候,选择一些固有的模式作为回应的行为.
某种形式上就是以这些"旧"的东西作为基本的语言单位,重新"遣词造句"对外部做出反应的一种类语言行为

于是这种某种圈子内的reinforcement的行为,以及某些笑点上的行为实际上就可以考虑为是基于某种"语言"的共鸣交流/反应.

某种程度上来说,就是某种特定文化背景下面的语言交流方式.
即"共同语言".

所以,实际上,所谓的"共同语言"就是对某些事物的基本的共通性的认识.
或者说带有类似的上下文的演绎方式.

在既定的context下面,通过提供有限的几个元素/"基本词汇"的话,双方就存在着一种限定范围内的,对同一事物进行相同或者类似演绎的可能.
也就是通常所说的"一致的思路"或者"相似的想法",从而完成所谓的"交流".

那么考虑,把"梗"作为基本的"词"考虑.
把表述形式不同,但同义的"梗"考虑为同义词的话.

重新审视各个圈子/领域/亚文化.

比如,
"回老家结婚"
和
"已经没有什么好怕的了"

再比如
"PHP是最好的语言"

又比如
"谈笑风生"
"续一秒"
等.

看到的时候可能很快地会有类似的短句或者下一句/下几句的内容.

有时候,与其说这是一种交流,不如说是一种补完.
或者说同义反复.

它并不是在讨论什么具体的内容.
而是只对一个固有的模式/模型进行填充.

就好像人听一些动物比如猫的叫声一样.

可能它确实表达了某种信息.

但是表达的形式却不一定具有固定的形式.
而只是某种模式上的相似感/区别度.

人的语气变化也类似.

不同的语气或者同一语气的不同的句子可能都是某种情绪/内容的表达.
而决定其性质的可能并不是"句子"的词汇构成.

所以,某种程度上来说,"交流"只是一种把自己"所想"/"意愿"通过某种模式replicate出去的方式/方法而已.
或者说是context的传递.

考虑眼神交流或者任何形式的交流.

把context以信息量计量量化的话,把交流时间考虑进来作为效率衡量维度.

"只要你一个眼神肯定"
这种描述的其实就是双方拥有类似context的情况下,传输过程可以以一种optimized的"压缩编码"方式进行.
从而缩短交流时间.

反过来说,沟通效率的高低就在于双方context的对等/交集情况如何.

所谓的同一类人的定义.


2015-12-08

由拉格朗日乘数想到

考虑lagrange multiplier的构造.
\mathcal{L}(X) = f(X) + \lambda*g(X)

这里一个比较有趣的地方是constraint function g作为一个余项引入.

根据g的定义,g(X) = 0.
也就是说实际上等价于
\mathcal{L}(X) = f(X)

考虑\mathcal{L}(X)的stationary points.
即满足\nabla \mathcal{L}(X) = 0的集合S.

如果s \in S且g(s) = 0的话,那么就是一个可能的solution.

这里的思路其实是通过构造一个零项保证function的mapping空间/关系不变.
但同时把问题简化为简单的stationary的解.

换个角度考虑的话,其实就是对一个现有space的某种形式的cut/prune/classify.
在保证某种特性不变的前提下,以g做出一定形式的划分.

考虑把f(X)看作是一种feature -> object的函数.
比如X是一组feature,object是一个用户标识.

也就是说假设存在一种描述,使得这个描述对某个用户唯一.
即通过feature vector可以unique地locate到某个用户.

然后考虑有一个对用户的label函数.
使得每个用户对应一个label.

重新如lagrange multiplier的形式的等式.
\mathcal{L}(X) = f(X) + \lambda_a*g_a(X) + \lambda_b*g_b(X) + ...

当X被归类为a的时候,其余的\lambda*g(X) = 0.
即此时的\mathcal{L}(X) - f(X) = \lambda_a*g_a(X) != 0.

如果令lambda都等于1的话,则形式为:
\mathcal{L}(X) = f(X) + g_a(X) + g_b(X) + ...
->
\mathcal{L}(X) = f(X) + col_sum(G*X).
G为一个dim(label)行feature列的matrix,col_sum为对列做的算数和.

那么就有可能解出一个matrix G,使得col_sum(G*X) = 0

对于一个给定的x,apply之后有col_sum(x;G) == 0 意味着什么呢?

意味如果x是在X中,且其对于label a的话,
\lambda_a*g_a(X) + \lambda_b*g_b(X) + ... == 0
->
\lambda_a*g_a(X) == 0即与label a的前提矛盾.

所以如果col_sum(x;G) == 0 的话,则表明x必定不在X中.

那么如果col_sum(x;G) != 0的话呢?

明显也不能说明x就在X中.
因为可能存在g_b(X) != 0等的情况.

如果G*X得到的vector形式V是[1,0,0,0,...]的某个维度值为1的unit vector呢?

也不能.

因为如果把G看作是X向feature space的project的话.
对于某个vector来说,project成unit vector也不足以说明就是在原来的X space.

所以,某种程度上来说,这个只是一个dim(X) -> dim(label)的某种形式的类bloom filter.

即G*X != unit vector的话,则必然不在原来的X中.











2015-12-06

授人以渔

早上看到条关于微博信息流展示算法调整的解释文章.

大致看了下,基本的思路是通过减少汇入的信息条数达到提高阅读率和互动率.
采用的手段里有个比较矛盾的是通过"时移",也就是把之前时段的内容,通过算法把评断为"用户可能在意而又错过"的"过时"微博重新编入信息流.

后面这个做法大概是为了后来人为操控某些信息,比如广告推广资源留的吧.
不过思路也不算完全自私.
毕竟,也算某种程度上的消息填谷去峰.

但是作为效果衡量的KPI选用阅读率和互动率可能就有失偏颇了.

考虑到阅读率/互动率其实是 交互数/信息流微博 数算出来的.
而调整的基本思路和策略则是减少汇入时间线的微博数.
也就是说,相当于直接调整/缩小基数.
于是,阅读率/互动率这几个KPI出现明显增长也算是自然甚至说理所当然的结果了.

所以,某种程度上来说,以这两个指标来衡量主时间线/信息流质量的话,难免缺乏些说服力.
而且,从比较量化的角度来说,要把这两者作为衡量指标的话,也还得除去基数变化带来的对结果的影响.
即,要以这个指数来证明调整确实有好的作用的话,也得把由基数变化带来的变化的影响部分去掉.

因此,至少从数据上来说,这个调整就算有效果,那么效果也不是里面提到的数字.
而是应该更低些.

那么,应该如何才能比较合适地评定一个信息流的好坏呢?

广义的高互动的内容并不一定就是用户所喜欢或者希望接受的内容.

一个例子就是最近那个猎鸟的事件.
自己的时间线上相关的内容其实不少,但考虑到对国内媒体的节操和舆论作风来说,其实没有什么悬念和值得关注的点了.
但是如果单纯时间线上其他人的互动角度来说,机械的算法可能就会认为这个可能感兴趣的内容.

出现这种bad case的原因在于,对用户的"好的内容"的定义过于局限,或者说维度过于片面.
个人的决策过程中还包含一些认知上的倾向性context.
尤其是对于,"好"/"坏"这种主观意愿性很强的东西.

即使是人本身也很难对喜好做一个准确的划分和定义.
毕竟,这是一个很动态的东西.

客观上来说,所能观测到的只是一个人对某条或者某些微博是否有交互的行为.
而这个交互行为本身是积极的还是消极的信息接受过程是未定的.

就像个转发/评论一条微博并不一定是赞同,也可能是批驳.

即使是 赞 这种设计上是积极倾向的动作,有时候也不一定就是赞同的意思.
比如赞的内容是一条转发微博,而里面可能是夹杂了两个对立观点的.

所以,有时候能做的,更多的只是一种交互意愿性的描述.

而要描述交互意愿,可用的维度就多很多了.

比如点开一个微博的转发/评论列表.
点开某条微博的昵称/头像.
点击了某条链接.
阅读长微博时滚动条的变化速率等.

基本上,所有的交互动作都是有倾向性并且可记录的.

那么,对于个人来说,有强交互意愿的内容,对于其他人来说,就也一定存在强交互意愿么?
或者进一步说,交互的概率就比其他普通信息更高么?

这个可能比较难量化.

毕竟,前面说了,这是个很主观的东西.

对于信息的接受方来说,推送过来的可能各个层面和维度的其他人的强交互意愿内容.
但可能只会对其中的某一些部分有较高的交互概率.
而如何界定这一部分的特征,就涉及到当时的立场/认知甚至于心情了.

所以,原则上来说,干涉调整个人的信息流的内容,可能是一个有作用但未必有效的方式.

实际上,早前Google+的circle/分组/list就有一个调整该circle/分组/list内的人的信息在主信息流出现频率的功能.
但基本上最后就只是看和不看的区别.
而不是看多少的区别.

毕竟分组的存在本身就已经是个人调整的结果了.

有特别想关注的自然会做一些分组方便浏览.

如果一个人的内容多数时候不感兴趣或者反感,就直接取消关注就是了.

某种程度上来说,主时间线信息流只是一个相对来说辅助性的东西.
虽然从使用角度上来说,这个是主要场景.

但如果作为一个信息消费品来说,主信息留只是一个广场集市入口.
它要保证的只是内容和来源的多样性.

立场和观点多了,自然能从转发链中吸收到新的关注点/人.


2015-12-04

反编译的一点想法

最近两天在看某券商的Android App.

当然,说看其实不太确切.
只是dex2jar然后再jd回来的混淆代码.

大概是连猜带蒙的看吧.

看的时候发现一些disassemble失败的部分,直接给的是bytecode.
还有一些是比较奇怪的代码分支层次.

前者倒是没想出什么原因.
而且也大致不算影响阅读,毕竟java bytecode其实还是比较简单可读的.

后者的原因想了想,大概是vm结构的区别了.
毕竟,dalvik是基于register,而jvm是stack base的.

register base的话,因为数量限制,加上一些优化策略,涉及到register的复用.
所以在跟源代码对译的时候,难免会出现不一致的地方.

尤其对于Java这种强类型语言来说.
ClassA和ClassB因为"生命周期"的不同可能导致复用同一个register,导致还原的时候,代码效果不是很理想.

而stack base的原则上来说就没有这个问题.
有多少个源代码级别的local variable就有多少个对应的bytecode里的variable.
所以对译起来相对简单得多.

想了下,自己实现JVM bytecode disassembler的话,好像不难.
变量,分支,签名,异常,类型都有.
大概是时间和精力/兴趣问题了.

然后想了下dalvik的情况.

如果搞定变量对应/区分的话,其他应该跟JVM的难度差不多.

考虑,在从source code到bytecode的translate过程中,对register的allocation策略.

一个naive的方式自然是算下source code级别的变量的作用域/生命周期了.
如果到某个点不再被使用,那么其所占用的register自然可以被复用.

某种程度上来说,这是个data dependency的问题.
那么大致的算法过程应该是以数据为中心展开的.

也就是基本的读写操作的序列化和拆分.

换个角度来说,就是以数据/变量为基本symbol的state machine/DAG了.

如果把某个变量v考虑为一个基本basic symbol或者symbol class.
一个赋值或者自增等操作之类的读写之后衍生一个同一symbol class的derivative symbol.
两个symbol之间做个link或者transfer标记.

那么数据之间如果有依赖的话,就是不同的symbol class之间存在link.

于是,一趟parse下来就得到一个大致的forest like的graph了.

这个graph的用处理论上来说可以做一定程度的并行编译.
如果不考虑实际的物理计算代价的话.

毕竟,每个不同symbol class的link intersect point就是实际的synchronize point.
在此之前的都算是独立数据流,可以分配到不同的CPU上执行.

当然,实际代价是另一回事.
而且真考虑的话,优化过程加上一下代价预估,也是顺手的事情.

另一个用途自然是register的allocation了.

如果不考虑dead code elimination的话,那么所有数据流应该都是会汇集到同一个点的.
不管这个点是真实的数据点(return value),还是一个pseudo/dummy.

那么,从这个角度看的话,其实这个graph就退化成tree了.

于是,重新考虑register allocation的策略.

对于基本的单层或者说双层(包含root)的tree来说,所需要的register数量就是root的children的数量.
递归推广下,对于多层的结构来说,就是整个tree structure里面,需要的register的数量就是至少是某个node的直接children的最大值local_max_children.

但实际所需的最大register数并不一定就是这个local_max_children.
因为当把这个subtree eliminate之后,实际上可用的register数为local_max_children-1,即reduce之后的结果要占一个register.

那么怎么算具体需要多少个register呢?

对于一个给定的tree,eliminate的策略应该是首先找leaf node上一层里children数最多的做prune.
因为这时候只能prune这一层的node,且这时所需的register数必然是最大children数.

于是,递归一下,reduce回root的话,实际上就算出了实际需要的register数量了.
而且,如果不关心具体数量的话,那么递归的过程实际上也就是allocation/reuse的过程了.

这个是source code到bytecode的translate过程.

但问题是如何逆向回来.

考虑到正向的过程其实类似某种变种形式的后续遍历形式.

如果正向过程中,对register的选择有固定的顺序或者选择策略的话,那么直觉上这个过程应该是可逆的.

因为每消耗一个register代表的其实是一层max children的leaf tree的elimination.
而每一个被小号的register的读就意味着一次subtree的merge/面向root的propagate.

所以理论上应该是可行的.




投其所好

最近看了持械入宋,发觉AI的发展或者说经济化还是非常一日千里的. 虽然说短剧本身也不是什么新事物了. 甚至AI制作也不是最近才有的. 只是从质量上来说,还是看得出来是有区分度,或者说ROI门槛了的. 这片虽然从服化道方面来说还是普通的AI剧,甚至剧情大半夜还是传统的龙王归来模式....