1704851040
1704851041
• 内容稀缺度：越垂直的内容越稀缺，小类目下的内容点击可能比大类目下的内容点击更有价值。
1704851042
1704851043
• 作者角度：从全局来看，每个垂直赛道都会跑出有广泛知名度的内容品牌，它们的内容往往更适合广泛传播；从用户个体来看，某些用户会对内容来源而非内容类目更加敏感，这就需要放大作者的相似度以降低内容的相似度。
1704851044
1704851045
• 互动行为：不同的行为代表了用户不同的意图。阅读行为仅仅是一种个体行为，点赞、评论都代表了用户对内容更感兴趣，而分享则意味着用户愿意为之传播和背书，可能权重更大。
1704851046
1704851047
不同角度的分析给我们提供了量化点击价值的方式，让那些我们更偏好的内容有可能获得更多的曝光量和展示量。从现实的角度来看，内容供给和内容消费一定会是金字塔结构的，越基础层的内容越具有消费规模。但作为理想的现实主义者，我们或许可以在可控的范围内，去尝试点击率和理想态的平衡。
1704851048
1704851049
编辑、算法与社交，三分天下？
1704851050
1704851051
先抛出个人的结论：编辑（中心人工主导）分发、算法（机器主导）分发、社交（离散人工主导）分发各有千秋。内容分发服务追求的是分发所能触及的这一远景，为了达成这一远景，就需要探寻每一种分发更适合的应用场景，而不是要在“剑宗”和“气宗”间争个高下。
1704851052
1704851053
本节试图探讨的，就是每种分发方式适用的场景和它们在内容分发系统里的应用。
1704851054
1704851055
编辑分发vs算法分发
1704851056
1704851057
从纸质报纸、杂志到广播电视再到门户网站，尽管信息传播的载体发生了变化，但是内容传播始终保持着“中心化分发，展示位有限、千人一面”的状态，信息传播的决策权始终握在编辑手中。
1704851058
1704851059
编辑分发的优势在于，借助专业背景知识完成了从海量内容到有限展示位置的过滤和筛选。经过筛选的内容，其平均质量是相对较高的。然而，基于专家判断的分发难免会出现偏差，为了降低“叫好不叫座”或单个编辑偏差的情况，内容分发方也采取了相应的策略。比如：传统纸媒会有编委会投票机制，通过多人判断选题；门户网站有点击率退场机制，点击率在一定时间内不达标自动下线等。
1704851060
1704851061
引入了机器推荐算法的分发系统，由于达到了“千人千面”的效果，展示位数量得到了大量的扩展。在筛选人力不足以匹配展示位数量的情况下，编辑又起到怎样的作用呢？
1704851062
1704851063
首先，人工同机器一定不是对立的，不然，今日头条也不会吸引如此多的资深传媒背景从业者。我和组内的同事不止一次地真心赞美吴达（时任头条号运营总监）：“我们的运营团队都是豪华高配的文化人。我跟吴达老师聊天是要带字典的。”
1704851064
1704851065
在内容层面，编辑和审核团队能够决定什么样的内容是低质的，不应被系统收录和推荐。编辑和审核评估团队就像是内容推荐系统的门神一样，对不好的内容可以说不，对低质内容背后的做号者也可以说不。
1704851066
1704851067
作为最大的信息和社交分发平台，脸谱网也在事实甄别和低质内容管理上强依赖编辑和审核团队的人工工作。
1704851068
1704851069
2016年12月16日，脸谱网上线了Fact-Checking（事实审核）机制，将用户举报过多的信息交付机构记者来判断。如果记者判断这则内容是假新闻，该机制就会将这一内容标记为存在争议，一方面会在前端页面提示用户此内容可能失实，另一方面会从分发量的角度进行控制。
1704851070
1704851071
2017年5月，扎克伯格发帖称脸谱网会再招聘3000名内容审查员，在此次招聘后内容审查员将会达到7500人。审查员会过滤社交媒体上的不适当内容，如恋童癖、身体暴露、种族仇恨等内容。
1704851072
1704851073
除了说“不”之外，编辑同样会对特别值得推荐的内容说“是”。
1704851074
1704851075
以推送场景为例，作为强打断的场景，被推送的内容需要被审慎地筛选出来，以保证打断用户是值得的。新闻客户端一直强调筛选出“Breaking News”（突发新闻），当重点新闻发生时，编辑一定是24小时值守的，并验证其真实性，以确定推送范围和推送级别。只为了不错过每一条值得用户关注的内容，让用户能够更准确快速地获得最新消息。在这一过程中，技术能够辅助编辑更快速地构建新闻候选集，比如追踪社交媒体、重点网站的发布情况（如气象局、交通局）等，但人工才是担任最终裁决的角色。
1704851076
1704851077
1704851078
1704851079
1704851080
图7–2 推送候选集的筛选逻辑
1704851081
1704851082
当然，为了保证系统的可扩展性和有效性，我们希望在日常推荐中尽量避免人工的直接干预，如对内容进行调权、对展示量进行干预等。但是，不直接干预并不代表缺位，编辑始终在扮演“纠偏”的角色，当发现主观上觉得好的内容没有得到应有推荐量的时候，当发现主观上觉得差的内容得到过高推荐量的时候，都会给产品和技术做出反馈。在这种情况下，产品、技术、编辑（内容运营）会坐下来探讨：第一，这是不是一个问题，如果是问题的话，是不是一个频发的问题，以此来确定解决与否和解决的优先级；第二，探讨更系统的解决方案，让这一类而不是这一个问题得到更系统的解决。
1704851083
1704851084
1704851085
1704851086
1704851087
图7–3 人工在内容分发流程中的参与角色
1704851088
1704851089
编辑不仅能够帮助推荐系统更好地理解内容，也能帮助我们更好地理解站在内容背后的创作者群体。