内容算法
2019-09-03 09:43:26 3 举报AI智能生成
内容算法读书笔记
作者其他创作
大纲/内容
内容付费
缘何付费，规模几何
内容付费平台展望
自媒体变现
变现入门：平台分成
广告变现：品牌的溢价
自营电商：隔行如隔山
自媒体运营
内容快销：标题党的二三事
开山鼻祖：知音体
自媒体：实现内容商品属性的最大化
平台遏制标题党：保证用户阅读体验
推荐平台优化：从SEO到REO
让推荐引擎正确理解内容：内容首先要过机器这一关
让推荐引擎信赖你的品牌
让用户愿意点击你的内容
与平台保持积极良好的沟通
粉丝运营：新时代的新问题
全平台的粉丝运营
全平台运营：从小作坊到MCN
小作坊：大浪淘沙
MCN：矩阵思路
典型MCN分析：新片场
自媒体的数据分析
他山之石：BuzzFeed简介
数据收集和处理
降低数据使用门槛
内容阅读分析
一次打开
活跃粉丝量&内容包装的好坏
阅读体验
提升内容消费&引发读者互动
粉丝增长分析
LTV&CAC&ROI
好内容为什么没人看
质量不等于销量
题材是否具有普适性
包装问题or 推荐问题
与其抱怨没有推荐量，不如来谈谈怎么推荐好
面对推荐系统
人机大战：效率和目标之争
输给机器不冤
训练机器才最重要
设定目标，制定保底方案，发现制定目标时存在偏差的问题
数据分析驱动产品迭代
确定核心目标：优化和迭代应该建立在服务核心目标上
核心目标的拟合：以敏感的核心业务指标拟合不敏感的长期留存目标
业务的理解
主要场景：理解现状、提出假想、验证假想
主要路径：上下文背景
根据全局收益进行优先级判断
好的个性化和个性化的好
个性化的好：生意，不断追求更好的数据表现
好的个性化：理想，提升用户效率和体验，以可量化的短期指标来保证不可轻易量化的消费体验
走近内容推荐
推荐的起点：断物识人
推荐算法：物以类聚，人以群分
从算法到应用
连接内容与人
冷启动
增量的用户、增量的内容从0到1积累基础数据的过程就是冷启动
效果好坏直接影响到用户端、作品端的满意度和留存率
内容的冷启动
内容展现维度（优先）
表现形式
内容消费维度
作者&内容
受热点影响
用户的冷启动
目标：用户留存率
用户画像
兴趣探索
新用户以“留住用户”为第一要务。老用户要探索用户更广泛的兴趣，提升长期留存率
内容供给角度
提升品类、品牌的覆盖率
方法1：大力出奇迹（适合大的品类或内容品牌）在尽量不引起用户反感的情况下
方法2:专家系统的先验知识
“以规模换效果”
用户消费角度
以时间换效果：停留时间增加，会产生更多主动动作，系统会基于已有偏好探索更广泛的
问题：小众兴趣的探索和丢失
自媒体
评估（择其优者）
适合平台的内容价值&基于平台的持续贡献&依托于平台的作者品牌
服务（悦其善者）
发现新作者&保护原创&给原创作者带来更多的曝光量
引导（见贤思齐）
生产端能够认识到，通过符合平台规则的持续努力，可以获得一定的预期收益
扬善是正面引导，惩恶是树立平台的规则。奖惩应落实到规则层面，让运营行为有据可依、有法可循。
常见的推荐问题
推荐重复
列表页消费（点击前的消费预判）&详情页消费（点击后的消费体验）
推荐密度
原因：1.用户短期兴趣点比较明确 2.推荐系统对用户的兴趣点理解不够 3.仅追求点击导向放大了用户的强兴趣相关内容
方法：滑动窗口规则。连续多条规则尽可能在多个维度打散
内容理解拆分维度：题材载体&作者&类目（话题）&实体词
易反感内容
先要识别的准，再要推荐的好
流程：分析影响面，定义标准，数据收集标注，模型评估
时空限定内容
时效性
短：可以依赖规则触发机制，更快速传播
中：视自己的内容产出速度来制定对应的衰减周期
长：搜索，相对经典内容获取更长的推荐周期
地域消费性
通过标注 本地媒体的方式来区分内容分发的范围
通过内容中关键词密度进行补充识别（旅游历史等类目豁免）
带着偏见看推荐
信息茧房
公众自身的信息需求并非全方位的，只注意自己选择的东西和使自己愉悦的领域，久而久之，会将自己桎梏于像蚕茧一样的“茧房”中
茧房始终存在，真正过滤你的，是你的认知泡泡。
推荐会导致low？
三问内容质量
什么样的内容是质量好的内容&专家不叫好的内容，是否应该被过滤掉&什么样的内容是低质的，应该被过滤掉
为什么会觉得内容格调低劣
推荐准确性&用户无意识反馈
更平衡的产品设计
尝试点击率和理想态的平衡
编辑、算法和社交，三分天下？
编辑分发
优势：借助专业背景完成从海量内容到有限展示位置的过滤和海选
问题：叫好不叫座，单个编辑偏差
编辑和算法合作
编辑是门神，对低质内容背后的做号者说不，对特别值得推荐的内容说是
技术辅助编辑更快速构建新闻候选集
编辑纠偏，帮我们更好的站在内容背后的创作者群体
社交分发
问题：1.进入稳定期以后，流量出现了新的垄断。是新生产者获取流量的成本剧增
2.社交关系扩张，内容质量下降。信息过载
分发终局
多元素融合：依赖中心化编辑引导和干预，依赖去中心化用户生产传播，应用机器学习提升效率
0 条评论
下一页
