读书笔记 [15-1]
【15-1】
【传媒营销】
《内容算法 —— 把内容变成价值的效率系统》 —— 闫泽华
“凡有痛点，必有机会”
感谢陪伴～
【摘 —— Part 1】
（A）
·【Kill Time 消磨时间】
·凡有【机会】，必有【进化】
·人这种动物，对不了解的东西总是心存恐惧
·【推荐】是特定场景下人和信息更有效率的连接
·在快速的迭代过程中，我相信一定有可以让我们慢下来的东西——那是【内容的核】
·科技让【个体价值】前所未有地凸显出来，能够吸收足够【定制化】的信息集合，以及一个个让自己【成为独一无二的个体】的理由
（B）
·推荐是一个【协作与进化的过程】
·权重～更靠前的展现位置（即【点击调权】的过程）
·推荐系统的架构与搜索系统的架构具有一定的相似度～二者实现的都是【信息与用户意图之间的匹配】
·对【内容】而言，每一个用户既是消费者又是决策者，被认可的内容得以进一步扩散，不被认可的内容则被系统纠偏，以免给更多人造成负面影响
·对【用户】而言，每一次行为反馈都在不断完善自己的「数字躯体（用户画像）」，而系统的兴趣探索行为，也在进一步给这幅画像补充更多维度
（C）
·通常将搜索系统划分为【离线】和【在线】两部分
·【索引】是一个基于【关键词】的序列，每一个关键词对应一长串提及该关键词的内容
·搜索系统的【离线部分】专注于【内容的搜集和处理】～搜索引擎的爬虫系统会从海量网站上抓取原始内容，并对搜索系统的不同要求建立不同的索引体系～【在线部分】则负责【响应用户的搜索请求，完成内容的筛选和排序，并最终把结果返回给用户】，系统会对关键词进行【分词、变换、扩充、纠错】等处理过程
（D）
·排序模块按照【特定预估目标（如点击导向、互动导向、停留时长导向等）】对候选集统一排序，并经过【规则层】的处理后最终反馈给用户
·推荐与搜索最大的差异在于【用户表意是否明确】～推荐系统需要尽可能完善用户的【长期画像（对哪些类别、实体词、话题感兴趣）】和【短期场景（时间、地点信息）】
·当用户打开内容推荐应用时，提交给系统的信息包括【时间、地理位置、网络环境、手机设备型号、登陆用户ID（身份认证）】等，基于用户ID，推荐系统会从数据库中取出用户的【画像数据（User Profile）】
（E）
·【规则】是最快的上线生效途径，可以用于【纠偏、提权】等操作
·【用户画像完善】～【查询语义丰富】～【更多的候选集合】～【更好的推荐体验】
·【短期的干预是应该逐步被「长期的机制」所替换的】～规则就像打补丁，【太多的规则系统会严重增加系统复杂度，降低可理解性】
·在推荐系统中，用户的行为不仅像在搜索系统中那样具有【针对内容价值的群体评估意义】，而且还具有【针对自身画像的个体进化意义】
·【要把用户当作小白来看待，以不断降低用户的「使用成本」】～但也需铭记，不论如何让产品普世化、小白化，每一个产品都客观存在【由浅入深的功能进阶】
（F）
·【让机器不断逼近更好的上限】
·【断物识人】，是一切推荐行为的起点
·【考虑受众特点】～选择对受众来说，【最容易引起共鸣、也最具代表性】的标签
·【更好的提取和表达待推荐内容的特点】，就是【“断物”】的意义所在～“贴标签”
·对于【初始场景或应急情况】，【规则系统】必不可少，它们是用于保证服务质量底线的措施
·【标签】是我们【对多维事物的降维理解】～【抽象】出来的事物更具【表意性、更为显著的特点】
（G）
·通常来说，【分类】是【树状】的，是【自上而下】依次划分的～在分类体系中，每个节点都有【严格的父类继承关系，在兄弟节点层都具有可以被完全枚举的属性值】（如将人类属性划分为男女，就能够覆盖全部人类属性）
·【标签】是【网状】的，更强调表达【属性关系（has a）】而非继承关系（is a），只有【权重大小之分】，不强调包含与被包含关系～【灵活性更强、权威性更弱】，可以被应用于分类的场景
（H）
·典型的标签产出方式有【专家系统产出（PGC）】和【普通网友产出（UGC）】两种
·通常，用户画像有三类主要应用场景：
【精准广告营销】
【行业研究（不同行业的动态进展）】
【产品效率优化（实现人和信息的高度匹配，从而提升效益、降低成本）】
·需要采用【聚类】的方式来描述某些【文字表意歧义较广、难以枚举的类型】～比如怎样定义一个人是好看的呢？大眼睛、好看的发型？大家都各有各的标准，很难达成统一
（I）
·【静态用户图像数据】：
用户独立于产品场景之外的属性，如性别、学历、年龄、婚育状况、常住位置、教育程度等～往往【较为稳定】，通常具有统计意义
·【动态用户画像数据】：
用户在产品场景中所产生的显式（对某篇内容点赞、评论、分享，关注了某个作者等）或隐式行为（某页面的停留时间、用户的操作行为轨迹等）
·常见的静态或动态用户画像数据：
【位置信息】【搜索信息】【评分】【收藏】
【分享】【评论】【播放比例或播放时长】
（J）
·【推荐算法】～【物以类聚，人以群分】
·【TF-IDF方式】的权重设计基本思想：
【出现频率较高的标签区分度越低，反之亦然】
·用于「相似度计算」的常见因素有：
【作者层面的相似性（基于订阅或偏好关系）】
【内容层面的相似性（如关键词、话题、类目、聚类、标签等）】
·【基于内容属性推荐】的好处在于，只依赖物品本身的特征而不依赖用户的行为，让【新的物品、冷僻的物品】都能得到展示的机会，但问题是【推荐质量的优劣完全依赖于「特征构建（存在一定的成本）」的完备性，同时没有很好考虑用户对物品的态度，用户的品味和调性很难得到诠释和表达】
