快手在内容消费端的人工智能技术主要围绕三个核心：定义内容、定义人、人与内容的互动。理解它的机制，对内容生产者而言就可以更好地有的放矢、生产出传播更高效的内容。简单来说，想要你的内容如何更容易被机器识别和“喜欢”，首先你得了解机器运作的原理。
也就是识别图文和视频。到目前技术的发展，图文识别已经很先进了，比如它能识别出一篇文章的分类，也能识别一片文章的情感，判定文章表达的喜怒哀乐、褒贬态度。
但视频的机器识别技术还没有那么准确，如果要识别一个视频里有没有黄赌毒，就很复杂了，仅仅通过机器识别图像后提取的概念是不够的，还需要大量的只有人类才能判断的常识信息才能够准确判断。同样，机器也无法通过一次识别就判断这只视频是否受欢迎。所以采取了这样的办法：
当一则视频上传到快手，机器先会抓取一些特征、提取信息，比如识别主体、表情、场景、图像质量、OCR文字识别、音乐、声音提取的文字等等。
比如可以识别出一只小狗，在草地，同时机器会进一步寻找视频里的细微特征，每一个特征都是机器的猜测，然后做验证。每一次猜测都是一个弱决策，大量的弱决策叠加在一起就形成强匹配。
机器要实现对用户兴趣的精准识别，需要一定时间。系统会优先推送高CTR的内容，在这个过程中进行兴趣探测，投放到用户池中做*度测试，从而得到不断的验证。
比如，刚刚识别了小狗在草地，哦，那机器猜测，这是不是一个萌宠视频？机器找到一小部分带有“萌宠”标签的用户，观察打开量，如果超过了一定的阈值，就判定这是个萌宠视频，从而推荐给更多带有“萌宠”标签的用户，这样反复，很快就能确定这支视频的分类了。而判断视频质量的方式也很相似，视频推给一小部分用户后，通过观察互动量比如点赞、评论、播放完成度等几个维度，超过一定阈值，就推荐给更大范围的用户。如此反复，持续正向反馈的视频根据数据表现进入优质视频库，机器随机选择其中的一些上快手的“热门”也就是发现页。
你从一开始知道一个陌生人是男是女，哪里人，做什么工作，等时间久了，你会知道他喜欢什么运动、饮食偏好、人品和价值观。认识一个人的过程是不断获取信息、分析信息，时间久了，你熟悉了，就可以预测这个人的想要什么、会做出什么行为。
机器也在与每一个用户建立从陌生人发展到熟悉朋友的过程。一个快手的新用户，在冷启动时，机器首先会根据用户的注册资料、手机机型、地理位置和周边用户等情况，对用户做一个标签分析。一旦用户有了使用行为，浏览了内容后，快手的机器会根据用户的观看行为，升级用户标签库，进而给用户匹配更精准的内容。目前快手用户的手机型号有5万多种，快手的自研AI引擎会适应每种机型的硬件配置，快手的用户标签库已经高达数百亿条。
带有大量标签的用户，可以总结出特征，以便更好地让系统了解用户。用户的特征分为长期特征、中期特征、短期特征三块。其中，长期特征是出生年月、地区（IP地址、POI/AOI）、性别等，那些你长时间不会变的特征。中期特征是兴趣爱好。最难识别的是短期特征，比如一个人搜索“苹果”，今天可能是想吃苹果，明天可能是想买一个苹果手机。这样的特征是瞬息万变的，也很难识别和判断，所以机器需要记录用户大量的使用行为，建立深度学习的模型来不断训练，从中形成用户大致的画像（我们叫用户向量），从而更好地判断用户到底喜欢什么，以及和其他用户的关系。
