伴隨著國民總時間概念的興起,互聯(lián)網巨頭紛紛布局內容行業(yè),以爭奪用戶時間。作為內容生產者主力的各類自媒體也如雨后春筍般涌現(xiàn),在內容創(chuàng)作、內容變現(xiàn)等方面做得風生水起。與此同時,基于算法的內容推薦分發(fā)技術得到了越來越廣泛的應用。今天,至少有4億中國人通過算法獲取內容,國內創(chuàng)作者群體半數(shù)以上流量來自內容推薦系統(tǒng)。
通過算法實現(xiàn)的推薦技術基于用戶歷史數(shù)據和行為,推測用戶意圖,推薦合適的商品和內容給終端用戶,顯著提高了用戶的點擊率和留存率。隨著用戶的個性價值越來越被重視,內容推薦分發(fā)技術勢必會得到更普遍的應用。
內容行業(yè)資深從業(yè)者、今日頭條前資深產品經理閆澤華,在《內容算法》一書中,通過大量生動的案例,圖文并茂、深入淺出地分析了當下主流的推薦算法及其利弊,介紹了推薦分發(fā)系統(tǒng)相關的知識,同時對自媒體如何實現(xiàn)優(yōu)質作品*化傳播以及自媒體數(shù)據分析、運營與變現(xiàn)等進行了深入解讀,有內容、有深度、有態(tài)度,無難度。
對于已經開始或希望從業(yè)于內容推薦領域的產品經理,或是期待從內容平臺獲得更多紅利的媒體人,本書不容錯過。
推薦一:今天至少有4億中國人通過算法獲得內容,國內內容創(chuàng)作者群體半數(shù)以上流量來自內容推薦系統(tǒng)。未來,算法推薦可能會成為互聯(lián)網公司的標配。對于互聯(lián)網內容產業(yè)相關從業(yè)者來說,了解算法與內容推薦系統(tǒng)勢在必行。
推薦二:本書作者閆澤華曾是今日頭條資深產品經理,經歷了頭條視頻和粉絲業(yè)務快速增長的全過程;同時,作者也在簡書、知乎等平臺進行內容創(chuàng)作,其經驗囊括了內容從創(chuàng)作到變現(xiàn)的全鏈條。依托自己的相關經驗,作者通過大量生動的案例講述了什么是推薦引擎,分析了當下主流的推薦算法及其利弊,填補了國內圖書市場算法與內容推薦分發(fā)科普書的空白。
推薦三:本書有相當一部分內容分析了自媒體的數(shù)據分析、運營、變現(xiàn),以及如何實現(xiàn)優(yōu)質內容的廣泛傳播,是廣大自媒體人入門算法與內容推薦分發(fā)不可錯過的工具書。
推薦四:今日頭條前高級運營總監(jiān)吳達、今日頭條推薦系統(tǒng)架構師項亮、騰訊資深產品經理張晶、網易新聞客戶端前高級產品總監(jiān)馮中華、新片場聯(lián)合創(chuàng)始人周迪、會火CEO吳杰聯(lián)袂誠意推薦。
閆澤華,簡書簽約作者。知乎知識市場產品總監(jiān),負責內容付費的產品運營工作。
曾任今日頭條資深產品經理、凱叔講故事技術負責人和百度搜索架構工程師。在今日頭條工作期間,曾先后負責頭條視頻的數(shù)據流和策略分發(fā),頭條號粉絲變現(xiàn)相關業(yè)務和微頭條的策略分發(fā)業(yè)務,歷經了頭條視頻和粉絲業(yè)務快速增長的全過程。
推薦序
自 序
引 言
Part
01 關于內容推薦
走近內容推薦
推薦系統(tǒng)架構初探
YouTube和Netflix推薦架構參考
基于推薦架構的優(yōu)化啟示
推薦的起點:斷物識人
斷 物
識 人\
推薦算法:物以類聚,人以群分
物以類聚:基于內容屬性的相似性推薦
人以群分:基于用戶行為的協(xié)同過濾
從算法到應用
場景劃分
推薦系統(tǒng)評估指標
連接內容與人
冷啟動
興趣探索
自媒體與平臺
常見的推薦問題
推薦重復
推薦密集
易反感內容
時空限定內容
帶著偏見看推薦
信息繭房
推薦會導致Low?
編輯、算法與社交,三分天下?
面對推薦系統(tǒng)
人機大戰(zhàn):效率與目標之爭
數(shù)據分析驅動產品迭代
個性化的好與好的個性化
Part
02 關于自媒體
好內容為什么沒人看
自媒體的數(shù)據分析
他山之石:BuzzFeed簡介
內容閱讀分析
粉絲增長分析
自媒體運營
內容快銷:標題黨的二三事
推薦平臺優(yōu)化:從SEO到REO
粉絲運營:新時代的新問題
全平臺運營:從小作坊到MCN
自媒體變現(xiàn)
變現(xiàn)入門:平臺分成
廣告變現(xiàn):品牌的溢價
自營電商:隔行如隔山
內容付費
緣何付費,規(guī)模幾何
內容付費平臺展望