文/謝華平

在海量信息充斥的時代，用戶對優(yōu)質(zhì)、有價值信息的需求日益突顯。為提高新媒體平臺內(nèi)容的有效供給，增強媒體平臺的影響力，各新媒體平臺日益重視優(yōu)質(zhì)內(nèi)容的生產(chǎn)，與此同時，算法推薦也被推崇到前所未有的高度。

新媒體優(yōu)質(zhì)內(nèi)容的判定標(biāo)準(zhǔn)和生產(chǎn)方法

新媒體優(yōu)質(zhì)內(nèi)容的判定標(biāo)準(zhǔn)。一是原創(chuàng)程度。一類是在網(wǎng)上搜索資料作為背景補充，或者對已知內(nèi)容進(jìn)行分析后，提煉出自己的觀點，能界定特別是標(biāo)題、圖片、文章內(nèi)容的重合度較少的是一類原創(chuàng)；另一類則是通過一套相關(guān)版權(quán)系統(tǒng)，進(jìn)行梳理比對，通過技術(shù)鑒別全網(wǎng)鑒定誰是首次發(fā)布，重復(fù)度有多少，以此確定原創(chuàng)程度。二是垂直深度。目前很多內(nèi)容是通過RSS（簡易信息聚合內(nèi)容包裝及投遞協(xié)議）抓取方式接入的。首先，按照稿源內(nèi)容深度對其進(jìn)行優(yōu)劣評級，按照優(yōu)劣級別決定內(nèi)容分發(fā)的比例權(quán)重。其次，除了明確優(yōu)劣之外，還有很重要的一點就是能否更精準(zhǔn)地分發(fā)。如果定義得非常精準(zhǔn)，那么推薦文章時就非常精準(zhǔn)，就可以把相關(guān)內(nèi)容精準(zhǔn)地推送給對它感興趣的人，這就大大增加了文章的點擊率。三是活躍程度。某個賬號在一段時間內(nèi)發(fā)文的數(shù)量和點擊率就是活躍度。但更為精細(xì)化的運營，要對比與各個平臺上的發(fā)文數(shù)、發(fā)文質(zhì)量以及發(fā)文時間、發(fā)文點擊率的差距。這種精細(xì)化運營活躍度的觀念方法，一定要貫穿到新媒體內(nèi)容的每一個環(huán)節(jié)。四是受關(guān)注度。所謂受關(guān)注度，是指某個新媒體的用戶訂閱數(shù)量，以及用戶訂閱之后，這個號與用戶之間的關(guān)系有多密切。用戶訂閱之后，推送新內(nèi)容時會給用戶很明確的提示，以吸引用戶的關(guān)注。五是作者的知名程度。知名程度是新媒體作者的影響力度。新媒體內(nèi)容作者可分為三類：名人、達(dá)人、普通人。名人是指具備社會知名度的人；達(dá)人指在某個領(lǐng)域具備知名度，影響力僅限于專業(yè)圈。這兩類人在內(nèi)容的分發(fā)上是要加權(quán)的。同樣質(zhì)量的文章，要優(yōu)先分發(fā)名人撰寫的。同時要特別重視把平臺上的普通人培養(yǎng)為達(dá)人、名人。六是用戶體驗。優(yōu)質(zhì)的新媒體內(nèi)容必須有良好的用戶體驗。用戶體驗是一個系統(tǒng)工程，需要內(nèi)容、布局、設(shè)計、瀏覽速度等的綜合支撐。要對用戶進(jìn)行精準(zhǔn)的數(shù)據(jù)分析，不斷發(fā)現(xiàn)問題和解決問題，才能持續(xù)提高用戶體驗。

新媒體優(yōu)質(zhì)內(nèi)容的生產(chǎn)方法。一是充分利用爬蟲工具抓取內(nèi)容材料。通常新媒體內(nèi)容很大一部分來源于其他媒體門戶網(wǎng)站，新媒體內(nèi)容制作重點是通過爬蟲工具來抓取素材，這是新媒體內(nèi)容制作的基礎(chǔ)。二是建立用戶平臺。讓用戶在新媒體平臺的基礎(chǔ)上建立自己的平臺，上傳自己創(chuàng)作的內(nèi)容。今日頭條在這方面的嘗試取得了很大成效。三是大力發(fā)展短視頻創(chuàng)作。近年來短視頻發(fā)展迅猛，成為用戶最喜歡的內(nèi)容接收形式，新媒體優(yōu)質(zhì)內(nèi)容要重點開發(fā)和生產(chǎn)短視頻。抖音支持新媒體短視頻創(chuàng)作，并已成為規(guī)模較大的新媒體短視頻分發(fā)平臺，因此新媒體內(nèi)容生產(chǎn)可以借助抖音這一重要渠道。四是補貼優(yōu)質(zhì)內(nèi)容生產(chǎn)。很多新媒體平臺為了獲得更多優(yōu)質(zhì)內(nèi)容，推出了很多補貼方案。今日頭條為了能持續(xù)地生產(chǎn)新媒體內(nèi)容，開展了補貼計劃，設(shè)立內(nèi)容創(chuàng)投基金，建立新媒體實驗室等，重點為短視頻生產(chǎn)提供補貼。

新媒體優(yōu)質(zhì)內(nèi)容的推薦算法策略

新媒體優(yōu)質(zhì)內(nèi)容推薦算法采用的是一個綜合性的評估判斷機(jī)制。這套機(jī)制通過反饋用戶的一系列行為來提升改進(jìn)系統(tǒng)平臺的各項性能，提高用戶的體驗滿意度，以此使系統(tǒng)平臺形成一個自適應(yīng)的良性循環(huán)生態(tài)系統(tǒng)。

優(yōu)質(zhì)內(nèi)容的推薦機(jī)制持續(xù)自我進(jìn)化。系統(tǒng)的推薦算法在初期不可能是完美的，有著自身的局限性。因此其需要另外一種分發(fā)手段來彌補算法的不足或弊端，這個分發(fā)手段就是粉絲分發(fā)，也可以叫社交分發(fā)。這種分發(fā)手段已不僅僅限于推薦算法，它綜合了推薦算法、社交互動、搜索抓取和用戶問答等多種手段。推薦算法的價值同時還體現(xiàn)在即便是小眾人群也可能獲得較好的推薦，也能獲得對其有價值的信息。例如，一些小眾化的影視節(jié)目，20世紀(jì)六七十年代的胡同照片，大學(xué)里的邊角資訊，這些原本散落在網(wǎng)絡(luò)某些角落的信息，被收納進(jìn)某個推薦系統(tǒng)，也會根據(jù)需要推薦到用戶眼前。在內(nèi)容推薦機(jī)制中不僅僅用算法為用戶推薦感興趣的內(nèi)容，也不是只有算法推薦的內(nèi)容?？傊?，內(nèi)容推薦機(jī)制還是要綜合運用對數(shù)據(jù)流量的理解、對平臺的運營思維所形成的復(fù)合能力，盡管算法很重要，但其也只是其中的一個環(huán)節(jié)。

推薦算法并不是用戶喜歡什么就推什么。傳播學(xué)里面有個回音室效應(yīng)概念，是指在某一個較為封閉的場景里，一些相似或相近的意見、觀點不斷重復(fù)， 甚至以夸張的或扭曲的方式反復(fù)、持續(xù)地進(jìn)行，令在這個較為封閉環(huán)境中的人們誤以為這些扭曲、夸張的內(nèi)容就是全部的事實。現(xiàn)在內(nèi)容推薦機(jī)制會盡可能地降低這種回音室效應(yīng)，盡量避免用戶喜歡什么就給他推薦什么。正如社會心理學(xué)上的“貝勃定律”，從心理感受的角度來說，對于相同的兩次刺激，通常第二次的刺激反應(yīng)會小于第一次的刺激反應(yīng)。實際上，推薦算法中采用了一種打散用戶興趣偏好的機(jī)制，不向用戶連續(xù)推薦相似度極高的內(nèi)容。再者，一個人的興趣愛好不可能總是不變。因此，從滿足用戶需求的方面來說，推薦系統(tǒng)也不允許一直不變地推送雷同內(nèi)容。

推薦算法自身具有探索能力。推薦算法不是機(jī)械的、簡單的算術(shù)，它有不斷學(xué)習(xí)的能力，能夠持續(xù)性地迭代，進(jìn)行自適應(yīng)性的進(jìn)化。推薦算法里的協(xié)同推薦，是指除新媒體內(nèi)容本身之外，還考慮用戶的推薦，通過分析一些用戶之間的屬性、行為的相關(guān)性、相似性，不斷拓展系統(tǒng)推薦的學(xué)習(xí)能力。例如，一些用戶喜歡科技、財經(jīng)、體育，其中一些用戶也喜歡健康內(nèi)容，那么推薦算法就會嘗試將健康內(nèi)容推送給以上所有相關(guān)用戶。因為在推薦系統(tǒng)看來，用戶A和用戶B是相似的人。

推薦算法更容易突破固化的圈層。朋友圈具有較大的“回音壁”效應(yīng)，因為朋友圈里的有關(guān)信息，完全由圈內(nèi)用戶定制，由于內(nèi)容是圈內(nèi)的用戶按照自己的喜好篩選出來的，所以在朋友圈里和自己相左的觀點和意見就非常少，這就很可能形成這一類人的偏見。而算法推薦機(jī)制可以推薦多種觀點。

今日頭條對推薦算法的應(yīng)用

今日頭條對推薦系統(tǒng)的運用包括三個維度，即推薦內(nèi)容的分析、網(wǎng)絡(luò)用戶的標(biāo)簽設(shè)置與評估、新媒體內(nèi)容的安全防范機(jī)制等。

今日頭條推薦系統(tǒng)的內(nèi)容要素特征。一是標(biāo)簽內(nèi)容之間的相關(guān)性，用于估測新媒體內(nèi)容的屬性能否和用戶特征匹配。一些內(nèi)容要素，如關(guān)鍵詞、主題等可以直接匹配。模型中還有一些隱性的匹配，例如，可以測算用戶向量與內(nèi)容的距離。二是其環(huán)境特征，包括時間、地點等。這些既是相關(guān)性特征，也能以此構(gòu)建一些匹配特征。三是內(nèi)容要素的熱度。在今日頭條推薦系統(tǒng)中，新媒體內(nèi)容的熱度信息在用戶初始啟動的時候影響非常明顯，其中包括主題詞、關(guān)鍵詞、來源、分類等。四是內(nèi)容要素的協(xié)同性，這種協(xié)同性可以快速解決在某些程度上信息越推越窄的問題。用戶標(biāo)簽具有的協(xié)同性并不是分析用戶活動的過往，而是分析用戶之間活動的相似性，如分析內(nèi)容主題詞的相似性、興趣的相似性，或者向量的相似性等，通過這些協(xié)同性分析來擴(kuò)展推薦系統(tǒng)的探索能力。

新媒體推薦內(nèi)容的分析。今日頭條經(jīng)常遇到的問題就是為什么系統(tǒng)總是重復(fù)推薦內(nèi)容。這個問題的解決難點在于，人們對重復(fù)的含義理解是不一致的。要解決這個問題，需根據(jù)相似文章的特征，如主題、行文內(nèi)容等進(jìn)行分析。新媒體內(nèi)容的分析包括文本分析、圖片分析和視頻分析。在今日頭條推薦系統(tǒng)中，文本分析可用于用戶的興趣建模。如果缺少文本內(nèi)容，自然無法具體地設(shè)置用戶興趣標(biāo)簽。例如，推薦系統(tǒng)通過分析用戶，讀取并標(biāo)注了互聯(lián)網(wǎng)標(biāo)簽的文章內(nèi)容，就能確定用戶具有了互聯(lián)網(wǎng)標(biāo)簽。分析文本的內(nèi)容可以提高系統(tǒng)的推薦效率，例如通過分析抖音的有關(guān)內(nèi)容就可以推送給關(guān)注抖音的用戶，這是應(yīng)用了用戶標(biāo)簽的文本特征匹配機(jī)制。如果在主頻道上推薦的效果不甚理想，出現(xiàn)了推薦窄化的現(xiàn)象，系統(tǒng)可以在具體的頻道中推薦給用戶閱讀，這樣系統(tǒng)的推薦效果會變得更好。在子頻道上探索空間比較小，這樣更容易滿足用戶的需求。

用戶標(biāo)簽的設(shè)置與評估。今日頭條推薦系統(tǒng)把用戶的性別、年齡、籍貫等基本信息，用戶的興趣愛好，以及用戶經(jīng)常搜索的關(guān)鍵詞等標(biāo)注為用戶標(biāo)簽。用戶的性別信息可以根據(jù)第三方社交賬號登錄信息獲得，常駐地可以從用戶的授權(quán)訪問位置信息獲得。在此基礎(chǔ)上結(jié)合其他信息，就能估測用戶的活動地點等。這些標(biāo)簽就非常有利于新媒體內(nèi)容的推薦。

首先，建立評估體系要兼顧短期指標(biāo)與長期指標(biāo)。很多策略在短期內(nèi)用戶可能覺得新鮮，可是從長期來看實質(zhì)上并沒有明顯的助益。其次，推薦系統(tǒng)的評估體系還要兼顧用戶指標(biāo)與生態(tài)指標(biāo)。既要讓內(nèi)容創(chuàng)作者獲得有價值的系統(tǒng)推薦的內(nèi)容，有尊嚴(yán)地進(jìn)行內(nèi)容創(chuàng)作，也要有義務(wù)盡可能地滿足用戶的實際需求，這兩者要兼顧平衡。此外，一些廣告主的利益也得要考慮在其中，這就形成了多方博弈及兼顧多方的平衡。一個完備的體系需要多個指標(biāo)綜合衡量，僅看點擊率、停留時長是遠(yuǎn)遠(yuǎn)不夠的，在實際評估過程中要參考多維評估指標(biāo)。很多公司在這方面做得不夠好，這并不是相關(guān)工程師們的能力不夠，而是評估模型需要一個功能強大的實驗性平臺，通過便捷的平臺分析工具，就可以使推薦系統(tǒng)智能化、自動化地分析新媒體內(nèi)容指標(biāo)體系的置信度。當(dāng)同時在線的實驗很多的時候，實驗平臺就可以自動分配數(shù)據(jù)流量，不需要人工溝通，而且實驗結(jié)束后數(shù)據(jù)流量會立即回收，這樣就加快了算法的迭代效應(yīng)，提高了推薦系統(tǒng)的管理效率，降低了推薦系統(tǒng)的分析成本，使得整個推薦系統(tǒng)的算法優(yōu)化工作迅速流暢地運行。

新媒體內(nèi)容的安全防范機(jī)制。今日頭條作為行業(yè)領(lǐng)導(dǎo)者之一，越來越重視自身的社會責(zé)任。他們盡力優(yōu)化推薦系統(tǒng)，盡可能地消除不當(dāng)內(nèi)容的推薦與分發(fā)。今日頭條的新媒體內(nèi)容一方面來源于專業(yè)生產(chǎn)內(nèi)容（PGC）平臺,依托它具有了成熟內(nèi)容生產(chǎn)能力；另一方面來源于微頭條、用戶問答、內(nèi)容評論等用戶提供內(nèi)容。這兩部分的內(nèi)容推薦與分發(fā)都要經(jīng)過推薦系統(tǒng)的內(nèi)容審核機(jī)制統(tǒng)一處理。如專業(yè)生產(chǎn)內(nèi)容平臺生產(chǎn)的數(shù)量相對較少，就會直接進(jìn)入風(fēng)險審核處理程序，審核的結(jié)果若沒有問題，推薦系統(tǒng)則會在大范圍內(nèi)予以推薦及分發(fā)。用戶生產(chǎn)內(nèi)容（UGC）會經(jīng)過風(fēng)險模型的內(nèi)容過濾，存在問題的就會進(jìn)入二次風(fēng)險審核。只有審核結(jié)果確認(rèn)通過后，該內(nèi)容才會進(jìn)入推薦系統(tǒng)的推薦與分發(fā)階段。如果這些新媒體內(nèi)容得到限定量以上的負(fù)面評論或者遭到舉報反饋，就會對該內(nèi)容重新審核，問題嚴(yán)重者則被下架。今日頭條在風(fēng)險內(nèi)容識別技術(shù)方面建立了鑒黃模型、低俗模型和謾罵模型。這三種模型利用的是深度學(xué)習(xí)算法進(jìn)行持續(xù)訓(xùn)練，建立的樣本數(shù)據(jù)庫非常大，可以對圖片和文本同時進(jìn)行分析。這些模型比較注重召回率，準(zhǔn)確率方面相對來說可以降低一些。鑒黃模型的召回率可達(dá)99%，低俗模型召回率高達(dá)90%，準(zhǔn)確率可超80%。謾罵模型召回率也很高，可達(dá)95%，準(zhǔn)確率可超80%。