时间场景来说，早上推的东西应该是硬的、偏资讯类的内容，因为过了一夜，大家需要看到昨晚发生了什么。而且，上班族在早晨都比较忙，没有时间看长篇大论。到了晚上则相反，用户有时间而且希望放松，所以需要推送偏软性、偏娱乐的内容，包括一些美文——在安静的夜里，才能读出其中的味道。
第二个层次是手机。它同样包含两个含义，一是手机型号，不同型号的手机使用者的阅读习惯是不一样的，比如红米用户和苹果用户。即使是同一个品牌的手机——OPPO A57和OPPO R11，使用者的阅读习惯也是不相同的，这都需要我们通过数据去洞察。另外，我们的手机里激活了哪些软件，使用的频率如何，在不影响用户隐私的情况下，都需要去深刻洞察。
第三个层次是用户信息。如果你是注册用户，你的性别、年龄、身份、学历等，都可以成为我们判断你兴趣的依据。另外，为了把一个用户画像描述得更精准，一点资讯设计了一个开屏问卷——问用户喜欢什么。有超过50%的用户做了选择，于是，我们能够了解到他们的基本兴趣。当然，也有人不愿意填写，甚至不愿意透露自己的地理。所以，这就给我们提出了难题——冷启动时，应该给用户提供哪些信息。
冷启动，指用户下载某个App后第一次打开它的过程。正如同恋爱的第一次见面，它的重要性毋庸置疑。而在冷启动中，重中之重则是用户打开之后呈现的第一屏，大概有5条信息。测试表明，如果在这5条中，用户点击了一条，那么它的次日留存率就会比没有点击的人高一倍。所以，花多大精力去打造这5条内容都不为过。为此，我们做了大量的对比试验——包括尝试推送相关型号手机的资讯，包括推送相关地理的资讯，有成功也有失败。在冷启动中，因为用户画像不够清晰，所以基本原则应该是推送重要事件、大概率领域(比如足球，而不是高尔夫球)，而不能推送拿些小众内容去赌，否则你很容易失败。
(1)有点击下拉；(2)无点击下拉；(3)无点击上滑；(4)有点击上滑；(5)直接走人。针对这些不同的行为方式，我们应该启动不同的策略。这需要非常细腻的数据观察，要从中总结规律。从此，用户的行为也变得多样化——比如点击、分享、收藏、评论、用户停留时长等等，这都是算法判断推送哪些内容的依据。
这是一个非常复杂的运算过程。比如，有个用户点击了五次“吴晨光”，搜索了一次“邹明”(凤凰网总编辑)，如果只给他推一条，应该先推“吴晨光”还是“邹明”？从数量上来说，一定是“吴晨光”更多，但是搜索属于深度行为，他主动去搜索说明对“邹明”很感兴趣，这种情况应该去推谁？
再如，他点击了五次“吴晨光”，点了两次“邹明”。但关于吴晨光的优质内容没有了，只有关于“邹明”的好文章，那是应该推一条很水的关于“吴晨光”的文章，还是推出关于 “邹明”的好文章？
还有，他点了五次“吴晨光”的图文，要不要推一个视频、音频或者问答？或者一个用户很喜欢“吴晨光”，今天突然出了“邹明”的绯闻，是应该把“邹明”的热点推出来，还是，依然根据用户的兴趣继续推“吴晨光”？
所以，用户画像的复杂性，不是简简单单的群体划分问题。它是对人性的深刻洞察，一个行为，比如点击，背后的含义也完全不同，有的是因的感兴趣，有的是因为标题党。
再看文章画像。对于编辑而言，文章画像相对简单，因为这是我们的专业。在传统时代，我们就对文章进行画像——比如说消息、通讯、特稿，还包括我一直在尝试的调查报道和解释性报道。
当然，今天的文章画像的复杂性远远高于传统时代。因为这里的文章泛指内容，而不是单纯的文字概念。它包括：
标签——这是对于文章描述的领域的认知，比如体育—足球—中超—国安。我们把打标签的交给了自作者，他们可以在自己生产的内容下打好标签。同时，我们的审核编辑、频道编辑会修正标签；算法也会对标签做进一步调整。最后综合评判，给文章一个最准确的定位。如果是算法很聪明，做了深度学习，那么还可以分析出更多关于文章的特点，也就是像人一样，去理解文章的中心思想、段落大意。当然，这个很难。特别是对视频、图片的识别更难。
内容质量——它有两个维度，第一是编辑判断，第二是算法判断。编辑的判断前面已经讲过，无非是选题、采访、写作和包装四个维度；而算法判断无非依据数据，还是点击、分享、收藏、用户停留时长等等。
用户画像有了，文章画像也有了。我们现在开始匹配。匹配的依据就是算法模型。我们可以把模型做详细拆解，分为很多模块——比如垃圾过滤模块、热点模块、本地模块等等。算法在每个模块里，进行文章的挑选、排序；不同模块里的文章也在进行竞争、排序。最后择准、择优分发给用户。
热点是一个很好理解的词，就是刚刚发生的、关注度较高的新闻。它有别于其它非时效性的资讯。首先，我们要告诉算法，什么是热点。这里有很多方式——比如，百度。百度热搜词可能就是热点。在一点资讯频道，编辑置顶的也是热点。我们还可以人工定义一些文章是热点：比如挂“快讯”字头的就认为是热点。这是第一步。让算法了解热点，这就是机器学习。
第二步，我们要把热点内容做“召回”。这里的召回和问题汽车的召回不一样，是指把相关热点文章聚集在某一个池子里。我们称之为“热点池”。我们会把热点池分若干层次，在3年前，我就在《超越门户》中描述了搜狐网重大突发事件的规则，从到特级。来一点资讯做总编辑后，又进行了进一步修订。现在，我们把标准通个案例的方式输入计算机，让算法来判断热点的大小，以决定向什么样的群体进行推送。
图说：《超越门户》一书中，有编辑对重大突发事件处理的详细分级标准，现在我们要让机器学习，做更精准的分发。
文章分为两个类型——抓取源文章(RSS)和自文章。但不管什么样的文章，都需要经过反垃圾模块的过滤，去除有害信息、低俗内容、虚假广告、“标题党”文章等。所以，反垃圾模块里应该有这些功能。如果你问，这些功能是如何实现的，那还是前面提到的答案——输入案例或者关键词，让机器学习，找到特征并举一反三。
垃圾过滤之后，算法或者编辑给文章打了标签、做了分类，文章就聚集在各种池子里。刚才说了，这个过程就叫做召回。按照文章的标签分类以及不同的属性，它们被分配到各个池子里——包括我们刚才所说的热点模块、本地模块，还包括被编辑挑出来的好文章，进入精品池模块。如果有些文章又有本地属性、又是精品，就会同时放在两个池子里。还有一些文章，被打上了体育标签或者财经标签，就放在了体育或者财经的池子里。
最后到了分发过程，主要是针对某一个用户，这么多内容先出谁后出谁。这就是排序。用户下拉首页流看到的内容，就是排好序的。其它频道流也是如此。排序具体的规则取决于算法，也就是说用户画像、文章画像和算法模型之间的关系。刚才，我们已经讨论过了。
第三是优——同一领域的文章，一定是先推高品质的。否则，我们的优质内容就没有流量，获得不了利益和影响力。优秀的自人也会因此远离这个平台，进而形成恶性循环。
最后是宽——不让用户陷入信息孤岛。要有准确的兴趣探测，能预判你喜欢什么不喜欢什么。这就是我们讲的，用户的更多“知情权”。
完了微观的运营，我们返回头来看看宏观。刚才我们说了，已经有三个人拥有了内容分发的，而最新的趋势是，编辑、算法、社交这三种分发模式，正在融合之中。
我们知道，微信是最典型的社交工具，而它的“朋友圈”功能，其实是一个社交属性很强的信息流。你的好友在做什么、看什么、关注什么，通过朋友圈一目了然。2016年6月15日，微信的一个小功能—— “朋友圈热文”悄然上线。据微信内部人士透露：在最初的一段时间里，只有大约10%的用户开通了这个功能；即使在9个月后的今天，该功能也并非对全部用户。而从这个产品的来看，也是“庭院深深深几许”，藏在页面之后？。
但开发者为这个产品赋予了一个大气的口号：“发现更广阔的世界”。他们试图通过这个产品，把微信上2400多万个号里最优质的内容，以“微信头条”的模式呈现在6.5亿用户面前。
“朋友圈热文”的来源，是所有微信用户转发到朋友圈的超链接内容(主要是文图模式)。微信团队的解释是：“此功能通过对微信用户行为习惯的深入分析，基于用户的选择，会优先推荐(a)用户关注的号文章和(b)好友阅读过的原创文章，同时也会(c)精选整个微信平台上的优质文章。”
基本权重指标：认证号(比如新京报的微信号)权重高于个人号，原创号的权重高于非原创，用户关注的号及用户朋友关注的号权重更高，但与号粉丝数没有直接关系。
从这个逻辑上看，微信团队对原创内容的重视至高无上。在其2400万个公号中，活跃账号约占1/10，而被认证的原创账号已经超过50万个。微信采用各种方式扶植原创——比如说打赏功能只对原创作者，此次又是信息流的优先推荐权。所谓的“认证号”也是原创的标识之一。
。粉丝活跃度：包含文章点击率(打开率)、粉丝消息及留言互动频率、留言内容的点赞率、阅读原文的打开率等(注意都是“率”，而不是“量”)。
号搜索频率：如果号经常出现在用户的搜索结果中，并且被点击关注，也可提高号的推荐权重。
关键词匹配度：号名称与简介的关键词匹配度；号名称及描述的关键词与内容关键词匹配度，匹配度越高则权重越大。
(2)好友都在读：说明你的朋友们在阅读此文(但具体点击率到一个怎样的比例才会获得这种推荐，还没有获得具体数据)。
(4)精英、爱好者都在读：说明某一个圈子(如IT人群)都在阅读此文。人群，应该来自用户的注册信息。
3.个性化推荐的算法逻辑，在越来越多地融入推荐中。比如，你连续两次点击了关于“星座”的文章，“朋友圈热文”会在第三刷的第一屏、第四刷的第一屏连续推荐关于星座的文章。
推荐：
网友评论 ()条 查看