伴隨著國(guó)民總時(shí)間概念的興起,互聯(lián)網(wǎng)巨頭紛紛布局內(nèi)容行業(yè),以爭(zhēng)奪用戶時(shí)間。作為內(nèi)容生產(chǎn)者主力的各類自媒體也如雨后春筍般涌現(xiàn),在內(nèi)容創(chuàng)作、內(nèi)容變現(xiàn)等方面做得風(fēng)生水起。與此同時(shí),基于算法的內(nèi)容推薦分發(fā)技術(shù)得到了越來(lái)越廣泛的應(yīng)用。今天,至少有4億中國(guó)人通過(guò)算法獲取內(nèi)容,國(guó)內(nèi)創(chuàng)作者群體半數(shù)以上流量來(lái)自內(nèi)容推薦系統(tǒng)。
通過(guò)算法實(shí)現(xiàn)的推薦技術(shù)基于用戶歷史數(shù)據(jù)和行為,推測(cè)用戶意圖,推薦合適的商品和內(nèi)容給終端用戶,顯著提高了用戶的點(diǎn)擊率和留存率。隨著用戶的個(gè)性價(jià)值越來(lái)越被重視,內(nèi)容推薦分發(fā)技術(shù)勢(shì)必會(huì)得到更普遍的應(yīng)用。
內(nèi)容行業(yè)資深從業(yè)者、今日頭條前資深產(chǎn)品經(jīng)理閆澤華,在《內(nèi)容算法》一書中,通過(guò)大量生動(dòng)的案例,圖文并茂、深入淺出地分析了當(dāng)下主流的推薦算法及其利弊,介紹了推薦分發(fā)系統(tǒng)相關(guān)的知識(shí),同時(shí)對(duì)自媒體如何實(shí)現(xiàn)優(yōu)質(zhì)作品*化傳播以及自媒體數(shù)據(jù)分析、運(yùn)營(yíng)與變現(xiàn)等進(jìn)行了深入解讀,有內(nèi)容、有深度、有態(tài)度,無(wú)難度。
對(duì)于已經(jīng)開始或希望從業(yè)于內(nèi)容推薦領(lǐng)域的產(chǎn)品經(jīng)理,或是期待從內(nèi)容平臺(tái)獲得更多紅利的媒體人,本書不容錯(cuò)過(guò)。
推薦一:今天至少有4億中國(guó)人通過(guò)算法獲得內(nèi)容,國(guó)內(nèi)內(nèi)容創(chuàng)作者群體半數(shù)以上流量來(lái)自內(nèi)容推薦系統(tǒng)。未來(lái),算法推薦可能會(huì)成為互聯(lián)網(wǎng)公司的標(biāo)配。對(duì)于互聯(lián)網(wǎng)內(nèi)容產(chǎn)業(yè)相關(guān)從業(yè)者來(lái)說(shuō),了解算法與內(nèi)容推薦系統(tǒng)勢(shì)在必行。
推薦二:本書作者閆澤華曾是今日頭條資深產(chǎn)品經(jīng)理,經(jīng)歷了頭條視頻和粉絲業(yè)務(wù)快速增長(zhǎng)的全過(guò)程;同時(shí),作者也在簡(jiǎn)書、知乎等平臺(tái)進(jìn)行內(nèi)容創(chuàng)作,其經(jīng)驗(yàn)?zāi)依藘?nèi)容從創(chuàng)作到變現(xiàn)的全鏈條。依托自己的相關(guān)經(jīng)驗(yàn),作者通過(guò)大量生動(dòng)的案例講述了什么是推薦引擎,分析了當(dāng)下主流的推薦算法及其利弊,填補(bǔ)了國(guó)內(nèi)圖書市場(chǎng)算法與內(nèi)容推薦分發(fā)科普書的空白。
推薦三:本書有相當(dāng)一部分內(nèi)容分析了自媒體的數(shù)據(jù)分析、運(yùn)營(yíng)、變現(xiàn),以及如何實(shí)現(xiàn)優(yōu)質(zhì)內(nèi)容的廣泛傳播,是廣大自媒體人入門算法與內(nèi)容推薦分發(fā)不可錯(cuò)過(guò)的工具書。
推薦四:今日頭條前高級(jí)運(yùn)營(yíng)總監(jiān)吳達(dá)、今日頭條推薦系統(tǒng)架構(gòu)師項(xiàng)亮、騰訊資深產(chǎn)品經(jīng)理張晶、網(wǎng)易新聞客戶端前高級(jí)產(chǎn)品總監(jiān)馮中華、新片場(chǎng)聯(lián)合創(chuàng)始人周迪、會(huì)火CEO吳杰聯(lián)袂誠(chéng)意推薦。
閆澤華,簡(jiǎn)書簽約作者。知乎知識(shí)市場(chǎng)產(chǎn)品總監(jiān),負(fù)責(zé)內(nèi)容付費(fèi)的產(chǎn)品運(yùn)營(yíng)工作。
曾任今日頭條資深產(chǎn)品經(jīng)理、凱叔講故事技術(shù)負(fù)責(zé)人和百度搜索架構(gòu)工程師。在今日頭條工作期間,曾先后負(fù)責(zé)頭條視頻的數(shù)據(jù)流和策略分發(fā),頭條號(hào)粉絲變現(xiàn)相關(guān)業(yè)務(wù)和微頭條的策略分發(fā)業(yè)務(wù),歷經(jīng)了頭條視頻和粉絲業(yè)務(wù)快速增長(zhǎng)的全過(guò)程。
推薦序
自 序
引 言
Part
01 關(guān)于內(nèi)容推薦
走近內(nèi)容推薦
推薦系統(tǒng)架構(gòu)初探
YouTube和Netflix推薦架構(gòu)參考
基于推薦架構(gòu)的優(yōu)化啟示
推薦的起點(diǎn):斷物識(shí)人
斷 物
識(shí) 人\
推薦算法:物以類聚,人以群分
物以類聚:基于內(nèi)容屬性的相似性推薦
人以群分:基于用戶行為的協(xié)同過(guò)濾
從算法到應(yīng)用
場(chǎng)景劃分
推薦系統(tǒng)評(píng)估指標(biāo)
連接內(nèi)容與人
冷啟動(dòng)
興趣探索
自媒體與平臺(tái)
常見的推薦問(wèn)題
推薦重復(fù)
推薦密集
易反感內(nèi)容
時(shí)空限定內(nèi)容
帶著偏見看推薦
信息繭房
推薦會(huì)導(dǎo)致Low?
編輯、算法與社交,三分天下?
面對(duì)推薦系統(tǒng)
人機(jī)大戰(zhàn):效率與目標(biāo)之爭(zhēng)
數(shù)據(jù)分析驅(qū)動(dòng)產(chǎn)品迭代
個(gè)性化的好與好的個(gè)性化
Part
02 關(guān)于自媒體
好內(nèi)容為什么沒(méi)人看
自媒體的數(shù)據(jù)分析
他山之石:BuzzFeed簡(jiǎn)介
內(nèi)容閱讀分析
粉絲增長(zhǎng)分析
自媒體運(yùn)營(yíng)
內(nèi)容快銷:標(biāo)題黨的二三事
推薦平臺(tái)優(yōu)化:從SEO到REO
粉絲運(yùn)營(yíng):新時(shí)代的新問(wèn)題
全平臺(tái)運(yùn)營(yíng):從小作坊到MCN
自媒體變現(xiàn)
變現(xiàn)入門:平臺(tái)分成
廣告變現(xiàn):品牌的溢價(jià)
自營(yíng)電商:隔行如隔山
內(nèi)容付費(fèi)
緣何付費(fèi),規(guī)模幾何
內(nèi)容付費(fèi)平臺(tái)展望