□ 文/賀大為

從客戶端日常改版看資訊類應(yīng)用的基礎(chǔ)產(chǎn)品邏輯
——互聯(lián)網(wǎng)化的媒體思維之一

□ 文/賀大為

作者從新華社客戶端改版過程中，產(chǎn)品團(tuán)隊(duì)討論得最多、爭論得最激烈的基礎(chǔ)產(chǎn)品邏輯入手，深入分析了當(dāng)前資訊類應(yīng)用所面臨的產(chǎn)品困境，在比較分析了三種典型模式后，討論技術(shù)與人工的結(jié)合與融合的發(fā)展趨勢，以及這種趨勢對新型媒體人所提出的新要求。

新聞客戶端 資訊類應(yīng)用 產(chǎn)品邏輯 媒體融合

一、尋找客戶端產(chǎn)品的基礎(chǔ)邏輯

在新華社客戶端改版過程中，產(chǎn)品團(tuán)隊(duì)討論得最多、爭論得最激烈的，就是各種功能落地的產(chǎn)品邏輯。隨著細(xì)節(jié)討論的深入，我們開始思考在紛繁復(fù)雜的應(yīng)用場景之下，應(yīng)該有一個(gè)作為通用原則的基礎(chǔ)邏輯。只有基礎(chǔ)邏輯明確了，產(chǎn)品團(tuán)隊(duì)才能在同一個(gè)語境中高效溝通，也才能避免似是而非的“反用戶”的產(chǎn)品方案。

產(chǎn)品的設(shè)計(jì)可以從多個(gè)出發(fā)點(diǎn)來考慮，但最終都會(huì)落在滿足用戶需求這個(gè)終極問題上。那就是，資訊類應(yīng)用滿足用戶的什么需求？

答案當(dāng)然是用戶獲取、閱讀內(nèi)容的需求。然而，這個(gè)看似最簡單的問題其實(shí)最難回答——如果結(jié)合千變?nèi)f化的用戶閱讀需求和使用場景來看，小小的手機(jī)屏顯然無法滿足所有用戶的所有需求。于是產(chǎn)品人員要想出解決方案，來盡量滿足更多用戶的更多需求。這就衍生出一個(gè)新的問題，如何讓用戶以最便捷的操作（最小用戶成本）獲取最多的有效信息（理想的狀況是，打開客戶端后首屏全是愛看的內(nèi)容，用戶無須挑選、刷屏，所見即所得），或者說，如何提高資訊分發(fā)的有效性和準(zhǔn)確性。

二、三類典型模型的比較分析

所有涉及資訊分發(fā)的產(chǎn)品都在試圖找到最好的答案，目前來看，主要有三類典型的模型：

一是編輯推薦，由內(nèi)容運(yùn)營人員選取、制作資訊推薦到客戶端頁面。用戶看什么、內(nèi)容按什么順序排列，都是由編輯來決定的。這種方式是自有大眾媒體以來，歷經(jīng)報(bào)刊電視、PC網(wǎng)站到第一代資訊客戶端的傳統(tǒng)邏輯，例如由門戶發(fā)展而來的新浪新聞、搜狐、網(wǎng)易、鳳凰的早期版本。隨著Web2.0時(shí)代互聯(lián)網(wǎng)交互特性極大增強(qiáng)、基于算法的智能推薦興起，很多人認(rèn)為這一傳統(tǒng)模式是落后的。其實(shí)，目前來看也不盡然。

二是用戶訂閱，即將內(nèi)容分為很多類——分類的維度也很多，包括屬性、形態(tài)、來源等等——交給用戶來選擇，自定義自己的頁面。此類應(yīng)用比較典型的有國外的Flipbord、國內(nèi)的Zaker，已經(jīng)具備了分眾化的特點(diǎn)，實(shí)現(xiàn)了一定程度上的個(gè)性化。這種分眾實(shí)際上拓展了手機(jī)屏的信息容量，盤子大了就需要更多的菜，于是后端聚合的內(nèi)容也實(shí)現(xiàn)了一次大的增長。

但這種解決方案很難回答兩個(gè)問題。一個(gè)是用戶“懶”，面對一堆的訂閱項(xiàng)，很多用戶覺得很煩，因?yàn)樗枰J(rèn)真考慮選哪些，這其實(shí)是用戶使用成本高的一個(gè)體現(xiàn)；二是用戶“傻”，大多數(shù)用戶面對“我到底愛看什么”的問題時(shí)是茫然的，高度自覺的用戶通常是發(fā)燒友級(jí)的深度用戶，而他們寧愿選擇這個(gè)領(lǐng)域的針對性垂直產(chǎn)品。這兩個(gè)問題可以歸結(jié)為產(chǎn)品人員常說的“選擇恐懼癥”。

很快，互聯(lián)網(wǎng)進(jìn)化出訂閱思維的變種來應(yīng)對這個(gè)問題，那就是社交媒體。以QQ空間、微博、微信朋友圈為代表的社交媒體其實(shí)也是個(gè)性化、分眾化的，其起始邏輯也是訂閱，但與訂閱內(nèi)容不同，這里訂閱的是人或者說是關(guān)系。這是一種柔性訂閱，我們關(guān)注一個(gè)“好友”時(shí)就訂閱了其發(fā)布的內(nèi)容，而這些內(nèi)容基于社交關(guān)系（圈子或者興趣）與用戶潛在閱讀需求相匹配。微博、微信有幾百個(gè)好友不算多，但簡單地訂閱內(nèi)容的話，選擇幾十個(gè)頻道就已經(jīng)很難想象了。這從一個(gè)側(cè)面解釋了社交媒體的興起，并且直接推動(dòng)了用戶生產(chǎn)內(nèi)容（UGC）的大潮。隨之而來的是，互聯(lián)網(wǎng)內(nèi)容迎來裂變式增長，人類傳播由中心化進(jìn)入去中心化時(shí)代。

然而，這并不是一個(gè)完美的方案。關(guān)系和興趣畢竟是間接關(guān)聯(lián)，特別是“好友”泛化了之后；UGC內(nèi)容沒有把關(guān)人，良莠不齊甚至真假混淆，用戶篩選有效信息的成本反而增加；用戶生產(chǎn)內(nèi)容的原動(dòng)力失速，關(guān)注驅(qū)動(dòng)生產(chǎn)的模式正在引起反思。于是，產(chǎn)品和技術(shù)再次踏上了求解之旅，這就出現(xiàn)了第三類解決方案。

三是智能推薦，通過采集用戶行為來判斷閱讀興趣，然后通過內(nèi)容的標(biāo)簽分類進(jìn)行匹配。計(jì)算用戶行為來猜測興趣并進(jìn)行內(nèi)容匹配的過程，就是通常說的“算法”“模型”。國內(nèi)最早涉足這一領(lǐng)域的有百度、豆瓣，后來的今日頭條更是主打這一策略。因?yàn)榭梢栽谟脩魶]有任何訂閱、而只是最簡單的下拉刷新中看到愛看的內(nèi)容（理論上，以極低的用戶成本實(shí)現(xiàn)了最高效的內(nèi)容分發(fā)），而且實(shí)用門檻快速降低（隨著云計(jì)算處理能力的快速提升，目前的推薦引擎在消耗有限計(jì)算資源的前提下可以實(shí)現(xiàn)百億維度的標(biāo)簽匹配——推薦的精細(xì)度大幅提升，而成本大幅降低了），特別是智能化的應(yīng)用看起來提高了產(chǎn)品的科技含量，越來越多的資訊類應(yīng)用開始探索進(jìn)入這一陣營。

而現(xiàn)實(shí)和理想之間依然存在差距。智能推薦飽受詬病的缺點(diǎn)在于線性推薦，比如典型的“骨灰盒案例”——當(dāng)用戶不管出于何種場景點(diǎn)擊了含有骨灰盒這一標(biāo)簽的內(nèi)容后，機(jī)器會(huì)反復(fù)推薦相關(guān)內(nèi)容。這當(dāng)然很煩人，雖然理論上機(jī)器學(xué)習(xí)已經(jīng)進(jìn)化到由已知的用戶行為推測未知的興趣，或者說機(jī)器會(huì)比你更懂得自己，但這種計(jì)算效果目前在各類產(chǎn)品上并不明顯。而且，深層次的困擾正在形成，那就是閱讀的窄化，用戶使用越多，推薦越“準(zhǔn)”，獲取的內(nèi)容日益局限在越來越小的領(lǐng)域，一些“覺醒”的用戶開始抱怨，“智能推薦讓我活在自己的世界里，這里充滿了偏見”。

三、技術(shù)與人工的結(jié)合與融合

很有意思的是，一些用戶開始懷念最傳統(tǒng)的客戶端。專業(yè)編輯推薦雖然內(nèi)容有限，但是真實(shí)、準(zhǔn)確；基于用戶需求最大公約數(shù)的公共新聞滿足主要目標(biāo)用戶群體的共同需求，構(gòu)成流量主體，并且讓人們知道全球全網(wǎng)的用戶都在關(guān)注什么內(nèi)容；清晰的主線、明確的態(tài)度都和智能化、社交化應(yīng)用的雜亂、零碎形成鮮明對比。海量信息日益形成海量冗余，平臺(tái)和終端都逐步意識(shí)到，內(nèi)容的價(jià)值需要重新評估，新聞（資訊）專業(yè)主義在新媒體領(lǐng)域開始回歸。

到頭來，產(chǎn)品經(jīng)理和用戶都會(huì)發(fā)現(xiàn)，哪種方案都不完美，因此也從來沒有單純某種模型的資訊類應(yīng)用。一方面，傳統(tǒng)資訊客戶端開始用智能推薦做長尾閱讀；另一方面，今日頭條引入“我不喜歡”之類的反向訂閱來校正人工智能，一點(diǎn)資訊改變了基于瀏覽行為的推薦模型轉(zhuǎn)而引導(dǎo)用戶通過搜索來發(fā)現(xiàn)興趣、進(jìn)而通過訂閱細(xì)分關(guān)鍵詞生成自定義頻道。

綜合以上模型分類，當(dāng)前至少有一點(diǎn)已是業(yè)界共識(shí)，就是技術(shù)和人工的結(jié)合、配合乃至融合。技術(shù)可以替換大量基礎(chǔ)性、重復(fù)性的低級(jí)勞動(dòng)，人工則專注于機(jī)器尚不能達(dá)到的高級(jí)智能。前者如全網(wǎng)的稿件檢索、采集、清洗、存儲(chǔ)、標(biāo)引，后者如策劃（體現(xiàn)關(guān)注點(diǎn)和對社會(huì)心理的判斷）、評論（體現(xiàn)立場、態(tài)度、情感）、推送（體現(xiàn)新聞價(jià)值判斷和用戶需求判斷）。由此可推演出“三個(gè)80%”的業(yè)務(wù)場景，即在匯聚海量信息的前提下，80%的稿件由機(jī)器智能分發(fā)，80%的人力集中在20%的重點(diǎn)內(nèi)容上，而這20%的內(nèi)容將獲取80%的流量。

從前瞻來看，隨著計(jì)算能力的快速提高和推薦算法的演進(jìn)，機(jī)器的比重將逐步提高。以我們的智能編輯系統(tǒng)為例，機(jī)器模擬編輯的選稿方法向頻道編輯推薦待簽稿件，編輯無須不斷重復(fù)檢索、采集等耗時(shí)耗力的基礎(chǔ)性工作，省下精力來提升策劃組織的專業(yè)性。當(dāng)算法越來越了解編輯，理論上可以毫秒級(jí)的速度推薦出一百個(gè)資深編輯花幾個(gè)小時(shí)完成基礎(chǔ)內(nèi)容工作量。

值得期待的是，機(jī)器向人學(xué)習(xí)的同時(shí)，編輯也需要反向向機(jī)器學(xué)習(xí)。編輯遠(yuǎn)比機(jī)器熟悉業(yè)務(wù)場景和用戶使用場景，如果了解大數(shù)據(jù)處理的基本思維，勢必能更好地在日常操作中做到人機(jī)交互，幫助機(jī)器快速提高智能程度。從這個(gè)角度看，全媒體編輯不僅是熟悉多媒體形態(tài)，更是具備產(chǎn)品和技術(shù)思維的新型媒體人。

（作者單位：新華社新媒體中心）

編輯 張 壘 leizhangbox@163.com