編輯分發(fā) vs 算法分發(fā)
從紙質(zhì)報紙雜志到廣播電視，再到門戶網(wǎng)站，盡管信息傳播的載體發(fā)生了變化，但是內(nèi)容傳播始終保持著中心化分發(fā)，展示位有限、千人一面的狀態(tài)，信息傳播的決策權(quán)始終握在編輯手中。
編輯分發(fā)的優(yōu)勢在于，借由專業(yè)背景知識完成了從海量內(nèi)容到有限展示位置的過濾和篩選，經(jīng)過篩選的內(nèi)容，其平均質(zhì)量是相對較高的。然而，基于專家的判斷難免會出現(xiàn)偏差，為了降低“叫好不叫座”或單個編輯偏差的情況，內(nèi)容分發(fā)方也上線了相應(yīng)的策略。比如傳統(tǒng)紙媒會有編委會投票機(jī)制，通過多人判斷選題，又如門戶網(wǎng)站分時段上首頁，點擊率一定時間不達(dá)標(biāo)自動下架等措施。
引入了機(jī)器推薦算法的分發(fā)系統(tǒng)，由于達(dá)到了千人千面的效果，展示位數(shù)量得到了大量的擴(kuò)展。在篩選人力不足以匹配展示位數(shù)量的情況下，編輯又起到怎樣的作用呢？
首先，人工同機(jī)器一定不是對立的，不然，今日頭條也不會吸引到如此多資深的傳媒背景從業(yè)者。 我和組內(nèi)的同事不止一次的真心贊美吳達(dá)（時任頭條號運營總監(jiān)）：“我們的運營團(tuán)隊都是豪華高配的文化人。我跟吳達(dá)老師聊天，是要帶字典的orz”。
編輯能夠幫助推薦系統(tǒng)更好的理解內(nèi)容，也能幫助我們更好的理解站在內(nèi)容背后的創(chuàng)作者群體。
在內(nèi)容層面，編輯和審核團(tuán)隊是能夠決定什么樣的內(nèi)容是低質(zhì)的，不應(yīng)被系統(tǒng)收錄和推薦的。編輯和審核評估團(tuán)隊就像是內(nèi)容推薦系統(tǒng)的門神一樣，對于不OK的內(nèi)容Say NO，對于低質(zhì)背后的做號者Say NO。
作為最大的信息和社交分發(fā)平臺，F(xiàn)acebook也在事實甄別和低質(zhì)內(nèi)容管理上強(qiáng)依賴編輯和審核的人工工作。
2016 年 12 月 16 日，F(xiàn)acebook上線了Fact-Checking（事實審核）機(jī)制，將用戶舉報過多的信息交付機(jī)構(gòu)記者來判斷。如果記者判斷這則內(nèi)容是假新聞，就會將內(nèi)容標(biāo)記為存在爭議，一方面會在前端頁面提示給用戶此內(nèi)容可能失實，另一方面會從分發(fā)量的角度進(jìn)行控制。
2017 年 5 月，扎克伯格發(fā)帖稱Facebook會再招聘 3000 名內(nèi)容審查員，在此次招聘后將會達(dá)到 7500 人。審查員會過濾社交媒體上的不適當(dāng)內(nèi)容，如戀童癖、身體暴露、種族仇恨等內(nèi)容。
除了Say NO之外，編輯同樣會對什么樣的內(nèi)容特別值得推薦Say Yes。
以推送場景為例，作為強(qiáng)打斷的場景，被推送的內(nèi)容需要被審慎的篩選出來，以保證打斷用戶是值得的。在新聞客戶端上，一貫強(qiáng)調(diào)篩選出“Breaking News”，當(dāng)重點新聞發(fā)生時，編輯一定是 24 小時值守的，驗證真實性、確定推送范圍和推送級別，只為了不錯過每一條值得用戶關(guān)注的內(nèi)容，讓用戶能夠更準(zhǔn)確快速的獲得最新的消息。在這一過程中，技術(shù)能夠輔助更快速的構(gòu)建新聞候選集，比如追蹤社交媒體、追蹤重點網(wǎng)站的發(fā)布情況（如氣象局、交通局）等，但人工才是做出最終裁決的角色。
當(dāng)然，為了保證系統(tǒng)的可擴(kuò)展性和有效性，我們希望在日常推薦中盡量避免人工的直接干預(yù)，如對內(nèi)容進(jìn)行調(diào)權(quán)、對展示量進(jìn)行干預(yù)等等。但是，不直接干預(yù)并不代表缺位，編輯始終在扮演一個“糾偏”的角色，當(dāng)發(fā)現(xiàn)主觀覺得好的內(nèi)容沒有得到應(yīng)有推薦量的時候，當(dāng)發(fā)現(xiàn)主觀覺得差的內(nèi)容得到過高推薦量的時候，都會給產(chǎn)品和技術(shù)做出反饋。在這種情況下，產(chǎn)品、技術(shù)、編輯（內(nèi)容運營）會坐下來探討：其一，這是不是一個問題，如果是問題的話，是不是一個頻發(fā)的問題，以此來確定解決與否和優(yōu)先級；其二，探討更系統(tǒng)性的解決方案，讓這一類而不是這一個問題得到更系統(tǒng)性的解決。
在創(chuàng)作者體系層面。我們常說，做產(chǎn)品要有用戶視角。作為平臺方，你在面對了億萬用戶的同時，也在面對萬量級的作者。作者同樣是內(nèi)容分發(fā)系統(tǒng)的用戶。編輯會更理解創(chuàng)作者的語境，成為創(chuàng)作者和作品的代言人，來影響系統(tǒng)的迭代。與此同時，他們也能夠以創(chuàng)作者更可理解的方式去傳遞平臺的規(guī)則，幫助不同階段的創(chuàng)作者在平臺更好的成長。
題外話，我發(fā)現(xiàn)吳達(dá)老師的案頭擺了本《python數(shù)據(jù)分析》了：文化人懂技術(shù)，誰都擋不住，笑。
社交分發(fā) vs 算法分發(fā)
在Facebook、微博、微信覆蓋了越來越多的用戶之后，內(nèi)容的分發(fā)逐步去中心化：每個人都可以創(chuàng)作內(nèi)容從而成長為自媒體，每個人都可以借由社交關(guān)系評論、轉(zhuǎn)發(fā)從而完成傳播。信息的傳播權(quán)從傳統(tǒng)的精英編輯讓渡到每個普通人受眾，相當(dāng)于每個人都成為了編輯，成為了內(nèi)容分發(fā)的中心。
社交分發(fā)首次讓信息的傳播變成了“千人千面”。每個用戶都有了個性化的內(nèi)容消。 2010 年，F(xiàn)acebook主頁訪問量超過Google訪問量，意味著“社交分發(fā)”已經(jīng)成為了主流的分發(fā)方式。援引皮尤研究中心此前的調(diào)查，美國成年人中有62%通過社交媒體獲取新聞，18%高度依賴該平臺，通過Facebook閱讀新聞的人數(shù)占比高達(dá)44%。
當(dāng)然，社交分發(fā)也帶來了新的問題：
一方面，進(jìn)入穩(wěn)定期后，流量出現(xiàn)了新的壟斷：一些大V由于擁有海量的粉絲、保持了高頻的發(fā)布量，事實上掌握了平臺的流量分配權(quán)。比如，微博上大部分流量被營銷號和大V所占據(jù)，新的內(nèi)容生產(chǎn)者獲取流量的成本劇增。
另一方面，隨著社交關(guān)系的不斷擴(kuò)張，微博微信已經(jīng)成為了線上名片，用戶關(guān)注了越來越多的來源，基于社交分發(fā)的內(nèi)容質(zhì)量也逐步下跌。朋友圈中盛行的養(yǎng)生文、微商、曬娃等等就是最好的例證。
社交分發(fā)讓人們免于信息匱乏，卻同樣帶了信息過載的問題。為了優(yōu)化用戶的信息消費體驗，F(xiàn)acebook率先在自己的News Feed中應(yīng)用算法進(jìn)行排序。
Facebook最初的排序方式，稱之為邊際排名算法（Edge Rank Algorithm）。
算法的核心計算公式為：
E = uwd
解析：
u：用戶與內(nèi)容發(fā)布者之間的親密度分?jǐn)?shù)，互動越高的關(guān)系分?jǐn)?shù)越高
w：不同反饋動作具有不同的權(quán)重，如展示、評論、點贊等。比如評論動作的權(quán)重就會顯著高于點贊。
d：基于時間的衰減，越新的內(nèi)容權(quán)重越高
借由上面的公式不難看出，親密度和動作的引入，極大的抑制了大V和營銷號刷屏的情況。此前，企業(yè)賬號一旦獲得了粉絲就相當(dāng)于獲得了穩(wěn)定的廣告位，所有新廣告以幾乎 0 成本的形式展現(xiàn)在這些粉絲的信息流中。但此后，沒有互動的粉絲就只是停留在頁面上的一個數(shù)字而已，企業(yè)賬號必須同時下力氣來維護(hù)自己的粉絲群體。
在隨后的日子里，F(xiàn)acebook致力于借由機(jī)器學(xué)習(xí)方式改進(jìn)排序算法，除了最初的 3 個EdgeRank因素之外，不斷追加新的特征和排序方式，如Story Bumping（系統(tǒng)對用戶錯過的信息中進(jìn)行二次判斷，如果判斷為重要，則會跳過時間序進(jìn)行置頂展示）,Last Actor（系統(tǒng)根據(jù)用戶最近頻繁互動的 50 人，進(jìn)行信息排序的調(diào)權(quán)，放大短期興趣的影響）等等。
無獨有偶，在國內(nèi)，微博也逐步意識到自己的流量被大V和營銷號所挾持的問題，開始越來越多在信息流之上應(yīng)用推薦算法，將原有的時間排序調(diào)整為智能排序，以控制刷屏、廣告泛濫等問題，優(yōu)化用戶的使用體驗。如果你有關(guān)注過微信朋友圈的分發(fā)，就會注意到，某些被疑似過度傳播的內(nèi)容（微商廣告、轉(zhuǎn)發(fā)集贊）是被微信降頻過濾的。
微博、Facebook將關(guān)注關(guān)系作為篩選因素，將用戶的點擊、評論行為作為調(diào)權(quán)因素，是在“關(guān)注關(guān)系產(chǎn)出內(nèi)容”的候選集上進(jìn)行算法排序。相較起來，頭條將關(guān)注關(guān)系也弱化為調(diào)權(quán)因素，從而獲得了一個更廣泛的候選集范圍（用戶相當(dāng)于在頭條上關(guān)注了所有的頭條號），在此之上進(jìn)行的排序能夠有更高的效率匹配性和更好的可擴(kuò)展性。
算法分發(fā) 分發(fā)的終局？
某種角度來看，算法分發(fā)或許可以被稱之為終極解決方案。
為什么這么說呢？因為推薦算法是個筐，什么都能往里裝。它是基于我們對現(xiàn)實世界理解進(jìn)行的抽象和建模，所有我們關(guān)心的因素（編輯分發(fā)、社交分發(fā)）都可以轉(zhuǎn)化為算法推薦的參考因素。
如果我們化簡這個問題，將推薦的因素收斂到編輯因素、社交因素、模型因素三個部分，那么，一個內(nèi)容在系統(tǒng)中的得分可以表示為下列公式：
內(nèi)容得分= a編輯因素 + b社交因素 + c*模型因素
a，b，c分別為三個因素的權(quán)重。如果我們把某個因素的權(quán)重置為1，其他因素的權(quán)重置為0，那么算法分發(fā)就能夠等同于編輯分發(fā)或社交分發(fā)。
各種權(quán)重的調(diào)節(jié)，則完全是以平臺的價值感導(dǎo)向所決定的。以FaceBook為例，其認(rèn)為來自真實好友關(guān)系的生活記錄內(nèi)容更重要，在分發(fā)過程中就會加強(qiáng)真實好友生活記錄內(nèi)容的權(quán)重，而弱化他們轉(zhuǎn)發(fā)內(nèi)容的權(quán)重，進(jìn)一步弱化媒體所發(fā)布內(nèi)容的權(quán)重等等。
事實上，我們所熟悉的各類內(nèi)容分發(fā)產(chǎn)品，無論起步如何，如今都走上了一條多元素融合的道路上：依賴中心化編輯引導(dǎo)和干預(yù)，依賴去中心化用戶生產(chǎn)傳播，應(yīng)用機(jī)器學(xué)習(xí)提升效率。新版的微博也在關(guān)注頻道的旁邊放置了熱門頻道，提供了不依賴于訂閱關(guān)系的內(nèi)容推薦服務(wù)，微信都上線了實驗室功能“看一看”。 |
您現(xiàn)在的位置： 
