1. 首頁 > 生活百科 > >

闡述引爆用戶流量的9個方法 怎樣引爆用戶流量？

小知識用戶流量

對于算法分發很多人會有所誤解 ， 這或許源自遠觀而缺乏了解 ， 才會覺得算法猛如虎 。 而當你走近了算法分發 ， 有了一定的了解之后 ， 可能會有重新的認知：算法如虎 ， 細嗅薔薇 。

闡述引爆用戶流量的9個方法 怎樣引爆用戶流量？

文章插圖
一、算法分發知多少？盡管算法分發中應用了各種高深的算法 ， 但其基礎原理卻是樸素的：更好地了解待推薦的內容 ， 更好地了解要推薦給的人 ， 才能更高效的完成內容與人之間的對接 。
從這個角度來看：斷物識人 ， 是一切推薦行為的起點 。
對于斷物識人 ， 我們可以將它理解為打標簽的過程 。 標簽是對高維事物的降維理解 ， 抽象出了事物更具有表意性、更為顯著的特點 。 在不同的業務場景下 ， 我們會選擇不同的標簽進行使用 ， 來對內容和用戶進行標注 。
在內容畫像層面 ， 以音樂為例 ， 最典型的有兩種標簽產出的方式：
  • 專家系統：潘多拉(Pandora)的音樂基因工程（Music Genome Project） 。 在這項工程中 ， 歌曲體系被抽離出450個標簽 ， 細化到如主唱性別、電吉他失真程度、背景和聲類型等等 。 每一首歌曲都會被經由工作人員耗時30分鐘左右 ， 有選擇性標注一些標簽 ， 并以從0到5的分值代表這一標簽的表征程度 。
  • UGC產出：在豆瓣 ， 給音樂打標簽的活則從專家產出 ， 轉為了普通網友貢獻 。 群體的力量為豆瓣積累了大量具有語義表意性的標簽 。 當然 ， 由于用戶的多樣性和編輯的開放性 ， 用戶標簽系統需要經過特定的清洗和歸一化才能投入使用 。
在用戶畫像層面 ， 可以分為靜態和動態兩部分 。
用戶畫像中靜態的部分比較好理解 ， 即你的設備信息、地理位置、注冊信息等等 ， 這些可以被理解為是業務無關的信息 。 具體到業務場景中 ， 用戶產生了更多的行為 ， 就生成了業務相關的動態信息 ， 即利用人的各種顯式和隱式行為來對用戶的偏好性進行的猜測 。
以知乎讀書會為例 ， 你的顯式行為是點擊、收聽、評分、評論等等；隱形行為則是收聽完成度、是否有拖拽快進、頁面停留時長等等 。
通常 ， 由于顯式行為不夠豐富 ， 我們往往需要使用隱式行為來擴充我們對于用戶的理解 。 完播率、是否快進、詳情頁停留時長等指標 ， 都會被系統統計 ， 用來判斷你是否真的喜歡某個人的講解、喜歡某本書的內容 。
在內容畫像的部分 ， 可以看到一篇文章通過文本分析進行了一級和二級分類 ， 并抽取出文章內的關鍵字、實體詞 ， 進一步的還會通過聚類的方式 ， 將這篇文章與其相似的內容聚成一個簇類 。 之所以會有聚類 ， 是因為專家系統的分類體系一定是對于變化不敏感的 ， 響應不及時的 ， 而聚類能夠挖掘出更多內容的隱含信息 。
在用戶畫像的部分：
“今日頭條常用的用戶標簽包括用戶感興趣的類別和主題、關鍵詞、來源、基于興趣的用戶聚類、各種垂直興趣特征、以及性別、年齡、地點等信息 。 性別信息通過用戶第三方社交賬號登錄得到 。 年齡信息通常由模型預測 ， 通過機型、閱讀時間分布等預估 。 常駐地點來自用戶授權訪問位置信息 ， 在位置信息的基礎上通過傳統聚類的方法拿到常駐點 。 常駐點結合其他信息 ， 可以推測用戶的工作地點、出差地點、旅游地點 。 這些用戶標簽非常有助于推薦 。 ”
（摘錄自今日頭條推薦算法原理全文詳解——曹歡歡博士）
內容畫像和用戶畫像 ， 是一個相互影響的循環系統 。
內容畫像決定人的畫像 ， 自然是最容易理解的 。 在音樂場景下 ， 你收聽、收藏、評分了很多爵士類的音樂 ， 那么系統就會判定為你是一個喜歡爵士音樂的用戶 。 在讀書的場景下 ， 你閱讀、收聽了哪些書籍 ， 哪些書籍聽完了、哪些書籍重復收聽了很多遍 ， 都會影響系統中 ， 你的用戶畫像 。
因此 ， “你的選擇決定你的畫像”可以說絲毫不為過 。
而反過來 ， 人的畫像也會影響內容的畫像 。 我們可以看作是基于用戶的行為 ， 對內容做出的后驗投票 。 在一個大體量的視頻上傳體系里 ， 我們基本放棄了依賴人工打標簽的方式 ， 而轉而利用用戶的播放行為來試圖猜測內容屬于哪一類 。
一個典型的Case：死神來了 。 看標題的文本信息 ， 最大概率就是一部電影 ， 但事實上觀看這個視頻的大面積是喜歡獵奇類視頻的用戶 ， 深挖內容才會知道 ， 這其實是一個車禍視頻集錦 。

推薦閱讀