《内容算法》是一本讨论数字时代内容创作与传播的书籍。作者阐述了内容在互联网时代的重要性以及如何利用算法来提高内容的传播效果。通过深入分析社交媒体和搜索引擎的算法原理，读者可以更好地理解内容营销的规律和技巧。这本书对于提升内容创作质量和推广效果具有指导意义。
内容算法读后感(一)
全书分两部分，前半部分主要面向策略产品，推荐产品，普及内容推荐的基础知识，算是内容消费角度。后半部分是内容运营，算是内容生产角度。书不难，讲得比较浅显易懂，对于算法的介绍并不多。非常适合产品，运营或内容相关从业人员。尤其是在一讲到推荐就是各种协同算法，衡量指标的书偏多的情况下，这本书算是一个独特的角度。而且书中的一些例子比较新，也接近中国互联网，便于理解。值得选取阅读。
内容算法读后感(二)
对于初创产品来说，我们作为推广运营，首先明确以下几点
1、过市场调研的方法找到用户痛点，提出解决方案
2、根据用户需求，做好需求分析；迅速完成原型，做好设计，快速开发，做好产品测试，保证用户体验
3、同时建立自媒体通道以及构建增长体系，为种子用户和后期运营打基础；
4、获取种子用户，跟踪并做好意见反馈，做好数据分析，不断改进和提升产品体验。
本条干货知识转自推广人学习交流网站——“怎么推”，更多运营推广干货，请搜索一一一怎么推。
内容算法读后感(三)
如题是算法永远没法比你更了解你，但你能通过算法和工具辅助来了解你。
不知道原先那篇书评写了什么被审了。
纯留笔记干货了。
。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。
内容算法读后感(四)
这是业内人士讲算法比较深入系统的一本书了。无论在技术原理还是产品应用推广层面都值得一看。当然它适合的人群非常广泛，包括自媒体运营者、产品经理、互联网从业人员，但我格外感到，如果你是个高知人群，对算法推荐常持批判态度，那这本书对你可能更有些特别的趣味。
比如说，你在听音乐时发现在猜你喜欢栏目被推了“lost river”,而发出“我到底是做了什么”的感慨，看了这本书你会知道，算法不能停留在对你的已知，那样它怕留不住你多变的心，它必须去大胆探索你心灵的蛮荒地带，那里可能是你自己的意识都不曾到过的地方。
推荐是特定场景下人和信息更有效率的连接。如果作为用户的你想享有更有效率、更贴心的推荐系统服务，与其挑刺，不如不吝表达和互动，去“训练”推荐系统。让算法不断在断物识人上更强大，更精准。
在看本书前，我也曾担心算法系统会把我们局限在信息茧房中，但实际上用户选择永远都是更贴近自身偏好。书中最这一段的解答可谓是全书最精彩的一段论述了“那些持续表示担心的人，本身就是多源信息的消费者，希望看到多源信息的渴望用过了他们看到不咸兴趣内容的不悦，而被担心的人，本身就不曾有信息多样性的焦虑，乐得在自己的小圈圈里打转。这就形成了一边有人大声疾呼，一边有人甘之如饴的局面：担心的人不曾被过滤，被过滤的人不曾担心，进一步，对那些担心的人来说，他们跳得出算法分发，也跳不出社交关系分发；跳得出社交关系分发，也跳不出自己的认知选择边界。“茧房始终存在，真正过滤你的，是你的认知泡泡”，
归根结底，我们都只是被投喂数据的动物。
内容算法读后感(五)
读完这本书想到一个模型，“生产者/消费者”模型，在计算机领域 通常需要消息队列来充当消息中间件的角色，生产者负责生产消息 并发送到中间件，消费者负责从中间件消费消息，中间件负责生产者/消费者的通信以及封装具体的通信细节。《内容算法》以今日头条推荐系统为例(相当于中间件)，连接自媒体从业者(生产者)和消费用户(消费者)，通过一套复杂的推荐算法驱动双方的各自的需求，从而实现三方获益(其实会涉及到很多的受益者)。书的内容从 推荐系统的层面和自媒体层面进行分别讲述。
内容推荐：相较于搜索引擎的关键字搜索，推荐系统需要从人、物的角度分别展开 细分至多个维度处理之后在推荐给“个性化”的用户；复杂的推荐规则，“物以类聚，人以群分”，一方面基于内容属性本身的相似性进行推荐，另一方面根据用户的行为识别为同类用户进行推荐；智能进化，跟进用户的行为逐渐的完善用户画像，精准匹配；内容及其背后的ID如何被推荐系统处理和标记，质量的好坏、基础数据评分的积累、用户端/作者端的满意度和留存率，推荐指数等一系列问题展开；同时 在这样一套规则下出现的一系列问题，推荐重复、推荐密集、易反感内容、时空限定内容以及信息蚕房(精准推荐背后带来的单一性)等问题。
自媒体：从初期的内容创造，赢得一定粉丝，然后从运营角度“经营”自媒体，最后到内容变现这一过程；以及近几年的知识付费流行，得到、喜马拉雅、知乎 在这个潮流的洗礼下站稳了脚跟，给大众的选择也越来越多，自媒体人在这样的环境下如何去生存等问题展开论述……
内容算法读后感(六)
这本前头条资深运营写的书，对推荐系统架构、内容分发和自媒体进行了深入浅出的拆解，缓解了我对于“被推荐系统操控”的焦虑
1⃣️ 推荐算法会考虑多样化，好的内容分发系统，会在短期内牺牲点击率数据，换取更全面的用户画像数据沉淀，也会尝试把某类用户未明确表达兴趣的内容，通过分散推荐多次触达用户，验证兴趣
2⃣️ 做号虽为灰色地带，但成功的做号者，在选题和内容策划上做得很专业了。尽管平台治理策略会逐步打击，但这些做号者要转型成原创自媒体，需要从赚快钱变成啃硬骨头，因此转型不快，甚至意愿不高
3⃣️ 作者甚至不太建议自媒体从业者在分发分成不稳定时，全职投入。在内容电商方面，也建议从分销入手——因为内容电商缺的不是渠道平台，而是供应链和品控的人才，以及对于售后等人力投入的合理预期
4⃣️ 未来的分发体系一定是百家齐放的，在越来越精准的「断人识物」后，基于人和物的Look-alike，加上用户反馈和互动数据沉淀，再按照平台导向进行合理权重调整后，推荐系统会逐渐进化
5⃣️ 还真不是推荐算法让内容变low，标题党是当年知音体的延续，百姓或许的确需要接地气的内容。要分清你要做的是不是消费型的内容，倾听市场的声音
最后，作为内容消费者，我们也要明白，自己每一个互动背后的意义。每一次用脚投票，都在塑造我们的内容世界，给自己加多一门媒介素养的必修课吧
内容算法读后感(七)
这本书针对算法推荐主要讲了三个问题：
系统算法是什么？
系统利用算法向用户推送内容。算法的底层逻辑，简单来说就是断物、识人、推荐。断物指的是系统把内容进行分析、归类、打标签；识人指的是分析用户勾划为具体画像；推荐就是把合适的内容分配给对应的用户画像。
系统算法与人的关系？
这里提出一个推荐算法（尤其是字节产品）里很重要的概念——冷启动，这个概念关系到平台是否能留住用户、自媒体是否能快速抓住用户的注意，用户是否能第一时间找到自己喜欢的内容。而冷启动又是三者之间的相互作用过程。
算法和人的关系里，有一个很大的矛盾。如果算法推荐的内容不是用户喜欢的，容易造成用户反感和流失；如果一直推荐用户之前喜欢的内容，则会让用户疲惫、无法开拓个人视野等。针对这个问题，目前大多平台的做法都是推荐热门且广受用户喜爱的内容，但这个方法并不能解决所有。
如何理解和运用系统算法？
要让内容被用户接受，自媒体运营者不仅要了解平台和用户，还要根据平台的数据和规则，保持高质量内容的输出，从而实现内容变现和内容付费。
这本书适合哪些人看？
优化师，自媒体运营。这本书内容比较全，但整体比较浅显，实操内容少，适合新手用于对市场和平台做初步了解。
内容算法读后感(八)
主要是结合自己在做的app写给自己看的。
一。为什么觉得内容low？
Jalebee的内容，不管是自己使用上的体验，还是部分印度同事和用户的反馈来看，都有提到觉得目前的整体内容有点low，之前一直不理解为什么，看完这本书感觉有了些思路。
如果从内容质量是否低质来看，大致标准为：
真实性上：歪曲事实，虚假信息等。
阅读体验上：无意义内容，错别字连篇，文不对题，语句不通顺，参杂广告等
价值引导上：不正确的价值观导向，煽动对立情绪，低俗色情等。
其中一些低质信息是我们已经在着重处理的，如低俗色情。但另外一些可能会导致在使用中觉得low的信息我们并未着重处理，如无意义内容，虚假信息，错别字等等。其中一些低质标准，在目前的内容量级下可能还未达到需要着重关注的程度。但另外一些，比如无意义内容，个人觉得目前来看app内充斥了挺多这类内容的，当然也理解这可能是为了不打消用户积极性的妥协，后期如果可以逐步打压这部分内容应该对整体调性是有所帮助的。目前我们的推荐机制基本是唯数据论，人工审核仅做红线审核，但长远看来，人工配合机器，逐步完善什么样的内容调性符合预期，什么样的内容属于低质内容，是人工在推荐中应该起到的作用。
二。自媒体的数据分析
‘If you can't measure it, you can’t improve it.‘
如果你不能量化一件事物，你就无法改进它。
第一次知道了粉丝增长的LTV,CAC,ROI这几个概念，之前只是大概明白买量和分析粉丝质量的必要性等，作者解释了这几个概念后感觉一下就明确了很多，转念想想之前遇到很多做地推的，广泛在人多的地方邀请人们关注公众号或下载app送礼物，这样获取的用户其实除了那些数字看起来爽以外很难有其他的收益，这样的ROI肯定也是非常低的。包括罗永浩今年做的子弹短信改名聊天宝以后做的一系列抽奖活动，看似各种大疆，平衡车等的奖励，但这些钱花出去了却并没有真正为将用户留在在app中做正向引导，其实没有太多意义，到现在果然也看不到这个app的消息了。
三。欢迎吗？标题党。
我一向是不喜欢标题党的，但读罢文章后仔细一想，我不喜欢的不是标题党，而是借由标题党吸引人进入后的风马牛不相及的劣质内容。如果是一篇优质文章，配上一个有意思的标题反而让人只觉莞尔。所以在‘骗’点击这条路上，如果要同时保证用户的观看体验，我想了想大概有以下几点：
其实从目前Jalebee的首页样式来看，标题党是最适合的。目前我们的首页改成了瀑布流，用户获取信息只能单纯看视频封面，我在整体浏览的时候一直有一个感觉，觉得单从首页浏览封面图的时候其实获取不到什么信息，并不很明确知道我想看哪个，因此只能随意点一点。但当我查看竞品的时候突然明白了，我们缺的就是‘标题党’。我在浏览某手的时候可以通过封面文字很明确的知道大部分视频的内容，哪个是教你如何拍照，哪个是萌宠，哪个是猎奇视频...我在点击之前就对视频内容有一个大致的预判，从而可以很容易的选中我想看的视频。给Jalebee添加封面文字，在体验上应该是有很大提升的。
内容算法读后感(九)
-----1-----
笔杆子时代，你动手了吗？
随着写作时代的到来，能用笔杆子解决的事情，从来都不用枪杆子来办了。无数人兼职投入自媒体大军，生产了千万级别的文章、图片、视频等内容。 但，大家都会遇到一个问题：为什么感觉某篇文章内容挺好的啊，但推荐量和阅读量会这么低。
比如我前几天发的一篇文章，推荐量只有2600，阅读量也才100多个，我同期文章至少是这个数据的几倍多。
但更让我费解的是，没多久，我就收到了短信，这篇文章因为写的好，被评为了青云计划优质图文奖，还奖励了300块钱，顿时让我摸不着头脑了。（这篇文章的链接见文末“阅读原文”）
客观而论，这篇文章写的的确很用心，获奖虽然有些意外，但也可以接受。推荐量很低，我也能接受，以为内容略有专业烧脑。但当两件事同时发生，矛盾就凸显了。
为什么能获奖的优质内容，推荐量和阅读量会这么低。为什么推荐量和阅读量很高的内容，却获不了奖。带着这个疑问，我读了很多相关的“书”。终于，在一本书里摸到了门道。
书名是《内容算法：把内容变成价值的效率系统》，作者曾经是今日头条资深产品经理，先后负责头条视频的数据流和策略分发。他对算法和推荐机制的了解，至少比我深很多。
-----2----- 内容的质量并不等于内容的销量
举个栗子，一个奢侈品的Prada包，假设一年能卖1万个，但一个99块钱的高仿包可能能卖100万个，但你能说卖了100万个的高仿包就是好的包吗？按照逻辑，内容或产品的质量与销量“不成正比”。
不过，我们再看手机，乔布斯的iPhone手机质量好、价格贵，但销量也高，很多其他品牌的手机质量差、价格低，却卖的也少。在这个领域，内容和产品的质量与销量却是“成正比”的。
而在内容领域，知识、内容等市场更接近于“奢侈品”市场。只有越普适性的内容或产品，所能触达的用户才会更多，比如高仿包、娱乐八卦休闲段子文章，任何人都能看懂、理解。
但对于奢侈品包，或者专业性较强、略有烧脑的文章或产品，本身能理解、触达的用户规模就小很多，再高的推荐量下来，实际会去看、卖的人就那么一小撮。
所以，经过这一番思考，我理解，如果要把“奢侈品包包”类似的高质量文章能卖到100万这个级别，应该要对内容进行包装（标题、封面）。
还要了解各平台的推荐机制（内容识别、热词、用户指标等）。高档低就，就可以获得更好的阅读量。
-----3-----
仔细了解和学习推荐机制，比埋头写文章更重要
头条、百度、腾讯、抖音等等都有自己的内容算法和推荐机制，目的都是“精准营销”。
但推荐机制有个悖论，即点击量越高的内容，被传播放大和推荐的概率就更大；点击量低的内容，系统基本就很少会再次推荐。
这也是为什么，我们能每隔几天就在朋友圈看到一件事“刷屏”，就是因为看的人阅读，就会被传播到更多的人，就会有更多的人看，周而复始，直到热点过去。
但好在推荐机制也做了设计，对于优质作者，系统会根据以前的历史表现进行精准推荐，至少在冷启动的时候，奢侈品般的内容要比高仿包的内容推荐的要多、要好。
但并不是优质的作者就一定会有很高的阅读量。这也是为什么除了推荐量、阅读量之外，还要关注点赞、评论、阅读量等等。
可能一篇100万阅读量的文章只有1000个人点赞；而一篇高质量的文章只有10万阅读，可能有1万个人点赞，这也是提升你推荐权重的因素。
-----END-----
让好的内容有人看，让好的创作者有钱赚，这是推荐机制的目的。
而让自己的文章更容易被推荐，让更多人留言和点赞，这是我们创作者要做的事情。
比如我这篇文章，你会不会点赞、转发、评论呢？
内容算法读后感(十)
内容算法》这本书讲是关于内容算法还有目前时下一些科技公司的自媒体运营模式，里面包括了很多对于算法的思考，你在今日头条上面看到的一篇稀松平常的文章，可能经历过系统和作者，还有你自己三者博弈的结果。
总体来说，可以算是一本互联网自媒体从业人员的创作指南
一.【关于内容推荐】
走进内容推荐
推荐系统与搜索最大的差异在于用户表意是否明确。因此，推荐系统需要尽可能地完善用户的长期画像
作者在这里认为产品经理应该学会退位，让机器不断逼近更好的上线【个人根据人工不智能里面的观点，认为机器学习目前还存在许多要调整的地方，还不能很好地替代人的判断】
推荐起点：断物识人
断物最简单的方式就是：贴标签
标签是我们对多维事物的降维理解，抽象出事物更具有表意性。
应用分类时必须考虑分类权威性和信息完备性问题，避免因为子节点覆盖不全或分类错误导致的认知问题（用户反馈自己的文章没有对应标签）
罗振宇曾经提到，某不良商家会根据用户的收货地址来预估用户的认知水平，从而决定是发送真货、高仿，还是假货（又比如同一样商品放进购物车，价格敏感的用户更容易收到优惠券）
电商场景：购物的权重>购物车的权重>查看的权重）
3.推荐算法：物以类聚，人以群分
借助TF-IDF方式给不同标签设置权重，其基本思想是：出现频率越搞的标签区分度越高
人以群分：基于用户行为的协同过滤
用户的消费行为作为特征，以此进行用户相似性或者物品相似性的计算，进行信息匹配，是协同过滤的基础。
从算法到应用
冷启动
业绩也有公司采用专门的运营标注团队，对高质量视频进行系统化的标签完善和建设工作
知乎新上线的“想法”频道，主要是展现关注用户的短内容，并会穿插一些推荐性质的短内容，尽管问答主场景和“想法”频道都融合了推荐算法，但是两个场景下的冷启动目标是不一样的。
NETFLIX：冷启动阶段新用户更倾向于热门内容，而老用户则更需要长尾内容的推荐
应用推荐的本质上还是以“留住用户”为第一要务，牺牲一定量的用户广泛兴趣，获得用户长期留存率的提升。
大品类内容具备大规模内容生产能力和内容消费需求的，即便是生推。【比如假设微博引入科比这个球星，直接送一次全局的开屏曝光未尝不可，这次的推送对于提高留存率帮助会比较大】
生推的同时，可以加入专家系统的先验知识。
用户消费角度
应对小众兴趣，解决的方法需要扩充系统的资源地，另一方面需要通过产品设计鼓励用户更加主动生产地进行强表达行为（如收藏、关注）
好的消费系统，是不会止于于已知边界的，要用一次次探索去探索未知
常见的推荐问题
推荐密集
伴随着热点，人们的消费量也会在一阶段显著攀升。
头条采用滑动窗口规则，即连续多条规则尽可能在这个维度打散，降低用户视觉密集感。
针对易反感的内容，先要识别得准，再要推荐得好，标注人通过双盲检验的方式标注出足够进行模型训练的数据
易反感内容，即用户不点击，也应该当作一个负向反馈。
对大型推荐系统来说，需要平衡两方的内容，短时效性内容推荐的时间长了会对用户体验造成伤害。
带着偏见看推荐
由于公众自身的信息需要并非全方位的，公众只注意自己选择的东西和使自己愉悦的领域，久而久之，会将自身桎梏于像蚕茧一般的“茧房”中。
如果产品交由特定群体来判断，或许永远无法产出如“快手”这样的产品。
内容供给和内容消费一定是金字塔结构的，越基础层的内容越具有消费规模。
面对推荐系统
业务的理解
以滴滴打车为例，主要的使用场景是打车，叫车完成后以“方便司机接您时联系您”为理由，让用户更愿意填写手机信息，类似的，视频、音频应用只有登陆才能缓存音视频，在未登陆状态下只能收藏一定数量等。
二.【关于自媒体】
自媒体的数据分析
在咪蒙的工作方式，她会把当天写的内容发出来，交于自媒体小组的员工开始取标题。15分钟-20分钟内，每个人至少取5个标题。这样，每一篇内容背后，都有接近100个标题！
蒙随后从中挑取5-6个。放到3个用户顾问群投票。咪蒙会参考最终的投票结果，决定用哪一个标题。这种方式，其实就构建一个最朴素的AB系统并一次验证标题对内容一次打开率的影响。
对于标题，我习惯引用咪蒙的观点：“不能在一秒钟看明白的标题，不适合传播。不是读者理解不了，而是他只能给咱们一秒钟。
自媒体运营
比较有门槛的领域，一小时能洗四五篇；一般领域的内容，一天能洗30篇吧；要是娱乐科技的内容，一天我能洗出七八十篇。
内容付费
得到（奢侈品店模式）、喜马拉雅（天猫模式）与知乎（淘宝模式），共同构成了内容付费平台级典型案例。它们搭建了内容市场，提供了内容商品的上架、销售与售后全流程支持，并或多或少地介入了内容的采购与制作环节。
内容算法读后感(十一)
为什么我更建议大家修改召回模块而非排序模块？
修改召回模块扩充候选集合，能够让我们拥有更多可能性；而主观修改排序模块则极有可能让我们损失公平，降低效率。
在我们设计系统时，可以先基于产品场景快速覆盖主要标签，再结合标签集合的使用频次、专家建议等因素逐步将部分入口收敛到树状的分类体系中来。
显式行为包括对某篇内容点赞、评论、分享，关注了某个作者等。在众多显式行为中，由于产品场景的不同，不同行为的权重也不相同（如对于电商场景，购买的权重>购物车的权重>查看的权重）。隐式行为包括在某页面的停留时长、用户的操作行为轨迹等。通常，显式行为的权重要高于隐式行为，但是由于显式行为更稀疏，所以需要隐式行为来补充验证。
如果想要进一步细化，那么可以借助TF–IDF方式给不同的标签设定权重。其基本思想是：出现频率越高的标签区分度越低，反之亦然。 比如“计算机”是一个高频出现的标签，那么这个标签的区分度就没有那 么高，权重较低；而“推荐系统”是一个低频出现的标签，则该标签就更 具有显著性和区分度，权重较高。
协同推荐可以分为三个子类：基于物品（Item-based）的协同、基于用户（User-based）的协同和基于模型（Model-based）的协同。
大家一度认为基于物品的协同要优于基于用户的协同，这是因为大型电商网站的用户数量往往远大于商品数量，且商品的更新频率相对较低，基于物品的协同能够以离线运算的方式获得更好的推荐效果。但对新闻推荐系统、社交性推荐系统等而言，其物品是海量和频繁更新的，故而基于用户的协同也有着相应的用武之地。
我们通常将更被希望引导的用户动作以强形态展现（如更强化的设计、更好的入口位置），并辅以各种引导和降低门槛的措施。
交互界面的迭代辅助了用户的决策，引导用户按照系统所期望的方式前进，以实现提升系统指标的最终目的。因此，对推荐系统而言，有着“交互界面 > 数据 > 算法”的说法。
在启动之后，该应用会展示主题订阅页，引导用户订阅自己感兴趣的主题（如图5–4）。但这样的方式也存在一些问题：用户真的能够准确表达出自己的喜好吗？还是往往过高地估计和描述了自己的喜好情况（比如，我个人觉得自己是喜欢专业分析内容的，但显然高估了自己）？此外，这种在主消费场景之前增加一道门槛的方式，本身也会对小白用户造成一定的影响。
在冷启动阶段新用户更倾向于热门内容，而老用户则更需要长尾内容的推荐。
按照覆盖面由大到小的次序，选择有区分度的内容进行用户偏好的探测，基于已有用户群体的偏好统计数据，动态调整后续用于兴趣探测的类目和内容。
如果我们把对新类目的探索概括为“以规模换效果”，那么，对用户新兴趣的探索便可以概括为“以时间换效果” 。
在列表页展示层，对普通内容而言，如果用户不点击的话可以视作无损，而对于易反感内容，即使用户不点击，也应当视作一个负向反馈，拉长此类内容的二次探索周期。
对于长时效性内容，最典型的应用场景就是搜索，什么时候被用户主动检索出来都具有一定的消费价值。
站在从业者的角度，我觉得现在的内容推荐产品还远远没有达到理想态，其迭代过程中是存在种种瑕疵和待改进空间的。但发展的进程并不会因为人们的误解而止步。我坚信，科技产品的存在是为了让生活更加美好。
事实上，我们熟悉的各类内容分发产品，无论起步如何，如今都走上了一条多元素融合的道路：依赖中心化编辑引导和干预，依赖去中心化用户生产传播，应用机器学习提升效率。
这需要按照三部曲：理解现状、提出假想、验证假想的方式来驱动迭代。
评论扩展了内容的深度，更多的用户评论给正文提供了不同的视角分析和信息补充，可以有效地引发围观用户的阅读兴趣，提升用户在内容页的整体停留时长。
转发扩展了内容的广度，更多的转发能够带来更多面向潜在受众的曝光，这一点对于以粉丝分发为主要模式的系统尤为重要。
实物礼品用于鼓励已有的活跃老粉丝，虚拟礼品用于激活和拉新。
• 东拉西扯：交代背景和关键字。比如要写八段锦，那就得介绍八段锦的背景，管它是野史还是正史，先摘抄几句再说。如果近来某个人物比较火，就捎带一句“某某也时常练习八段锦”。
• 东拼西凑：以原文为模板，在网上搜索与之相近的内容，每篇内容摘录一小段，和原文混在一起构成新的内容。拼凑出来的内容，读起来倒也还算通顺，还能够骗过市面上主要的消重软件。
• 指东骂西：在内容的结尾部分就该制造冲突了。谈论八段锦的内容，要么制造中西医之争，比如西医说八段锦纯属伪科学，没什么用处；要么制造中外之争，比如八段锦被拿去申请世界文化遗产了等。
• 得到、喜马拉雅和36氪的预付费专栏创作模式，可以类比期刊的线上版。如果非得纠结专栏是个人创作内容的话，那或许可以膜拜一下郑渊洁先生独自创作运营数十年的《童话大王》。
• 分答、值乎的模式是将线下的付费咨询搬到了线上。一些医疗领域的线上问诊，更具有付费典型性。
• 知乎Live、群分享课程可以类比线下付费培训、讲座的线上版本。
内容算法读后感(十二)
前半部分是今日头条之类个性化媒体的推荐系统的基本原理介绍，后半部分具体分析自媒体的内容生产、营销、变现的一些细节。
读后有点失望。未公开过的信息、个人独到的见解偏少。我感觉有点意思的就是书中内容灰产的那一部分。
总体评价3星，有一定参考价值。
以下是书中一些插图:
以下是书中一些内容的摘抄，#号后面是kindle电子版中的页码：
1：坊间传闻，基于用户画像的推荐排序还有一些灰色的应用：比如真假货混发，罗振宇在跨年演讲“时间的朋友”中提到，某不良商家会根据用户的收货地址来预估用户的认知水平，从而决定是发送真货、高仿，还是假货；#362
2：协同推荐是目前应用最为广泛的推荐机制，其基于用户行为的特点使我们不需要对物品或信息进行完整的标签化分析和建模，从而实现了领域无关，可以很好地发现用户的潜在兴趣偏好。#463
3：反之，如果内容在冷启动过程中顺利找到了自己的目标人群，收获了很高的点击率，就有可能被推荐系统快速放大，具有了成为爆款的可能。因此，“冷启动决定一篇内容的命运”的说法丝毫不为过。#570
4：对安卓设备来说，某些品牌的用户在统计学上具有一定的可区分度，如锤子手机、一加手机的用户同VIVO、OPPO手机的用户就存在一定差异。#641
5：由于部分安卓手机用户的权限意识较弱，很多应用还会申请如读取目录或已经安装的软件等权限，通过文件目录反推用户已经安装的应用情况，以此来确定用户的偏好信息。#650
6：在系统体量较大的情况下，一个确实有用的方法是“大力出奇迹”，即不考虑所有先验信息，直接将内容交给推荐引擎来判断。#699
7：一个典型的场景：一个用户下单要去机场，用户身边1公里处有一辆新手车，3公里处有一辆老手车，这个单要下给谁？#849
8：一种普遍观点是：机器算法主导的精准分发，在提升阅读体验的同时，也极易导致由信息收窄带来的一叶障目。即在算法分发下，用户将深陷信息茧房当中。#1011
9：你以为只给用户推荐他偏好的观点就够了？那你就可能错过用户间的讨论和互动碰撞。给用户展示多元化甚至有冲突的观点，对评论的刺激作用是显著的。而在多元化的讨论之后，内容丰富的评论区也具有了可以消费的价值。#1045
10：半晌，剧情反转。B君朗朗道：“下午1点半，刷新一次，给你推荐了3条行业资讯、2条体育资讯、1条娱乐八卦，你点了娱乐八卦。下午2点半，刷新三次，你点击了1条行业资讯、3条娱乐八卦。下午3点，刷新……”众人相视爆笑，终结谈话，定论：“本我超越了超我。”#1117
11：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。#1143
12：如果我们简化算法推荐过程，将推荐的因素收敛到编辑、社交、模型三种因素，那么，一个内容在系统中的得分可以表示为下列公式：内容得分=a×编辑因素+b×社交因素+c×模型因素#1238
13：好的算法结果，既离不开优秀技术研发的实现，也离不开优秀产品经理的投入。输给机器不冤，能训练出机器才重要。#1300
14：然而在实践过程中，我们也发现了一些问题：设立独立的growth部门，在从业务咨询的角度帮助业务线做分析、提改进意见的时候，难免会出现不接地气、对应用场景缺乏足够了解等业务问题，也会出现随着公司膨胀带来的跨部门沟通协作等管理问题。#1305
15：在这些指标里，哪个才是一款产品的核心指标呢？我个人给出的答案是：有价值用户的长期留存。#1315
16：推荐系统是一个会极度放大优缺点的系统：点击率高、阅读体验好的内容，其传播度会被极大地放大；点击率低或者点击率高但是阅读体验差的内容，其传播范围会非常快地收敛。#1423
17：我们可以将内容的阅读体验指标化、可衡量化，以进行进一步的分析，可以切入的角度如：•点击率……•阅读反馈：点赞、评论数与阅读量的比例，是否与其过往的内容一样？还是降到了平均线以下？#1430
18：因为社交传播对内容的影响力贡献巨大，BuzzFeed在衡量内容价值时，会更看重社交分享所带来的阅读量，并以病毒传播提升系数（Viral Lift）指标来衡量这一过程。#1471
19：人们往往会夸大BuzzFeed的“内容三扳斧”——清单体、短视频和小测验，却忽视了在这些内容背后更深层次的数据支持。#1480
20：对于标题，我习惯引用咪蒙的观点：“不能在一秒钟看明白的标题，不适合传播。不是读者理解不了，而是他只能给咱们一秒钟。”#1508
21：为了便于比较，我们通常计算一次打开率而非打开量。对于粉丝分发平台，一次打开率的计算公式为“一次打开率=阅读量/粉丝量”；对于推荐分发平台，一次打开率的计算公式为“一次打开率=应用内阅读量/推荐量”。#1517
22：以papi酱为例，在其获得高额投资后就成立了以自己为主IP的MCN公司papitube，开始孵化和培养新的内容创作者，签约了Bigger研究所、ACui阿崔、张猫要练嘴皮子、KatAndSid等多个知名账号。#1925
23：如同外卖业的兴起催生了一大批灰色外卖食肆一样，内容平台的兴起同样催生了一批以伪原创和搬运为主的做号者，#2001
24：真正让老A这样的做号者如虎添翼的是如图12–2所示的设备：猫池（Modem Pool）。猫池是一种可以同时接入大量SIM卡（用户身份识别卡），模拟手机进行短信收发、语音拨打、流量上网的设备，在银行业、邮局、交易所券商等场景下有广泛的应用。#2021
25：原来，这些用于接码的卡并非我们常用的手机SIM卡，而是我们提供给企业用于智能交通、物流管控的专项卡：物联网卡。我们生活中最为熟悉的共享单车摩拜与ofo，其用于定位和解锁的智能锁，就是通过物联网卡与服务端进行通信的。#2028
26：关于洗稿的方式，老A总结出了三个“东西”法则：“东拉西扯、东拼西凑、指东骂西”。#2072
27：“比较有门槛的领域，一小时能洗四五篇；一般领域的内容，一天能洗30篇吧；要是娱乐科技的内容，一天我能洗出七八十篇。”#2083
28：再看用户反馈，指东骂西显然起了煽动情绪的作用，大量用户在评论区开始了争论，这或许正中老A的下怀。#2086
29：从新榜和有赞共同提供的销售数据来看，文化类与育儿类公众号的内容转化效率最高。在有赞平台开店的头部大号中，文化类与育儿类的店铺数量仅占总店铺数量的24%，却斩获了71%的销售额，相当于1/4的店铺卖出了3/4的销量。#2271
30：得到（奢侈品店模式）、喜马拉雅（天猫模式）与知乎（淘宝模式），共同构成了内容付费平台级典型案例。它们搭建了内容市场，提供了内容商品的上架、销售与售后全流程支持，并或多或少地介入了内容的采购与制作环节。#2390
31：目前，得到、喜马拉雅、知乎三家的年营收额加起来乐观预估在30亿元以内；独立的头部IP，如樊登读书会、吴晓波频道等营收规模都刚刚过亿元；其他的内容IP营收多在千万元、百万元量级。#2510
内容算法读后感(十三)
文/曹门霞客行
初识闫老师，是在他文章下面留言，咨询关于内容运营的问题，闫老师给出非常详细的回答，当时给我的感觉便是富有内才且谦虚严谨。
简书出版推荐了三本书籍，作为一个路人粉给闫老师打call，购买了《内容算法》。
感谢闫老师将经验、实践、知识梳理成文。以一杯咖啡的价格可以读到好作品（少买一件衣服，多看好多本书），非常感恩。
任何愿意将自我价值进行输出和分享的「老师」都值得感恩，利他者人恒利之。
如果给《内容算法——把内容变成价值的效率系统》打标签，我愿意称它为内容推荐领域的头部作品，因为书籍内容最in且受众最广。
文/曹门霞客行
封底推荐者的推荐语
内容运营者入门，自媒体的工具书，内容推荐科普书对该书简练的三词定评。
推荐者们的推荐语写得也很讲究，借用文章中的理论，内容的标题和封面决定了内容的打开率，这些推荐语极大的引起了广大读者的兴趣。
从而引出一个话题，作为一个推荐者，或者用于封面的推荐语，为什么没有把书夸得天花乱坠、用词考究？
有两个原因：第一，防止言过其实，读者有很高的期望，结果内容消费体验断崖式的落差；第二，用词考究意味着读者无法在一秒钟理解，那么传播性变差，因此影响书籍成为畅销书。
上个星期，跟百万粉丝拥有者深夜发媸徐老师互动的过程中，电光火石间，突然梳理出关于内容运营两个层面的内容：
作为内容创作者来说，关键在于如何可持续性的产出优质内容，是生存的关键。
对于内容平台运营者来说，在上一层的基础上，如何将用户感兴趣的内容推送给用户，并在此基础上保持内容的消费体验和内容的多样性，是胜出的关键。
先说第一层，如何可持续性的产出优质内容？
如果单凭一己之力，难。
每写完一篇优质的内容，会有一种身体被掏空的节奏，在这种情况下要可持续运营和吸粉，不得不买稿、洗稿、培养风格类似的写手、建立写作模板，保证篇篇10万+，基本上涵盖了现在自媒体的升级方式。
再说第二层，如何推荐合适的内容给用户？
在纯人工推荐的时代，编辑的认知和风格决定推荐的内容带有强烈的个人印记。
所以编辑面临的最大的争议便是作者质问：“为什么我的文章那么好，不推荐？那些很low的文章还上了首页？”。
于是读者质疑：“首页都是些什么文章啊，鸡汤！还没我写的好。”
那个时候，总是思考一个问题，到底什么是好文章？怎么样才能做到让更多的人喜欢和满意。
在人工推荐的时代，我们需要高鉴赏水平的编辑，即高认知且不固执。
为什么说高认知，因为这样他才有好的鉴赏力，欣赏真正好的内容。
同时，他还要不固执，如果只考虑内容好才推荐，而平台的读者80%都在平均认知基准线上时，内容虽好，对读者无用，看不懂他们便放弃了。
作为内容推荐机制从1.0人工推荐，到2.0算法推荐演进的过程中，也存在很多疑惑，在看书的过程中疑惑不断加深，以前的问题又重复出现了，本质的问题没有想透彻，但行业演进时，这些问题会更加凸显且亟待解决。
我们可以区分什么是绝对的不好的内容，但对好内容没有一个平均的标准。认知水平高的人，看到文章水平低于其认知的，会觉得内容low。
同上，有没有一个平台平均的评判标准，虽然每个人的看法不一样，但在同一标准下不会出现两个作者差距太大。
如果真的是我们定义的优质作者流失了，那么流失的原因是算法分发导致的流量不够，还是有流量但收入不够（比如无法分发广告获利）
如果是推荐冷启动阶段，算法偏差的可能性更大。
如果是内容为导向，那么一篇深度的行业分析，虽然没有娱乐新闻点击率高，到价值更高，故而推荐时应提高其权重。但是好内容不一定有广泛的阅读基础。
如果是用户导向，那么不仅推荐用户感兴趣的内容，并且还应该适当推荐多元化的内容，扩展对用户的了解，保持用户看到内容的多样性。
1.有的权重上升，有的下降，每次选择和反馈，都在进化自己的数字躯体
2.内容断供，体验跳崖，所以要丰富用户画像，在某一内容断供时，有其他内容补上
3.有人习惯好评，有人习惯低分，要根据用户的历史平均分作为基准进行归一化处理，以衡量用户评分背后的认可度
4.给标签匹配推荐权重，高频率标签推荐权重低，低频率标签推荐权重高。如果标签词粒度不够细，不能够全面描述书的内容，就难计算出置信的相似度，达不到足够好的推荐效果。「推荐质量的优劣完全依赖于特征构建的完备性，这是一项系统工程。」
5.推荐算法：物以类聚，人以群分
抱着找茬的心态来看书，在这一节，因为作者翻译的词句不同，如在人以群分模块中，作者提到协同推荐可以分为三个子类，其中的Item-base的协同，作者翻译为物品协同，而中国知网将其翻译为项目协同，个人认为项目协同，歧意更少。
比如，淘宝买东西，「猜你喜欢」栏目会出现基于最近搜索的内容的推荐。
Item-base项目协同：基于用户选择的项目（也可以理解为物品），先计算已评价项目和待预测项目的相似度，并以相似度作为权重，加权各已评价项目的分数，得到待预测项目的预测值。例如：要对项目 A 和项目 B 进行相似性计算，要先找出同时对 A 和 B 打过分的组合，对这些组合进行相似度计算。
User-base用户协同：比如，亚马逊会出现，购买了这本书的用户还购买了……还浏览了……
PS:人以群分实现相对比物类分要慢一步，因为对用户画像的收集不完善的情况下，推荐是不精准的。
协同推荐的缺点是:
（1）用户对商品的评价非常稀疏，这样基于用户的评价所得到的用户间的相似性可能不准确（即稀疏性问题）;
（2）随着用户和商品的增多，系统的性能会越来越低;
（3）如果从来没有用户对某一商品加以评价，则这个商品就不可能被推荐（即最初评价问题）。
因此，现在的电子商务推荐系统都采用了几种技术相结合的推荐技术。
罗振宇的《时间的朋友》，根据收货地址判断这个区域人的认知水平，决定发真货、高仿、盗版等，哈哈哈哈，认知水平低要交学费的，智商税。
6.继续看场景
考虑到存在家庭账号共享的行为，算法也会进一步基于设备信息来判断当前用户是谁，从而展示同一账号下，相应用户的观看历史。
7.交互界面影响或引导用户按照系统所期望的方式，提供更多的数据，完善算法。对推荐系统而言，交互界面＞数据＞算法。
8.推荐算法的内核：提高分发的效率（让每一个用户更多的去点击）。难怪，没有考虑质量，这是为什么今日头条上很low的内容，如标题党，会获得更多的点击，导致好的内容质量得不到更多的曝光。（书中提到高阶用户对今日头条诟病较多的一点。）
这点知乎做得更好，会有对内容质量的点赞，是踩是赞，还是以后不再推荐类似的「用户」、「话题」、「标签」等。
9.推荐系统评估指标
用现在的标准来评价简书的推荐系统，还可以提升，精确度不错，推荐了很多《红楼梦》评论的文章给我。长尾内容也比以前做得好，非以热门论英雄。（问题是很多作者的鉴赏力有限，会积极分享文章到朋友圈的人，也许就是那波容易受热门文章影响，且鉴赏力不够，喜欢分享文章对自己进行标榜的人。所以现在分享文章到朋友圈的读者少了，分享自己的文章的频率较之前差不多。）
10.人工评估系统，facebook的案例
有三个部分：一对一用户访谈，外包团队做的千量级的人工评估，面向普通用户的万量级在应用内投放的问卷。
形式如下： （1）给出两篇内容，让用户进行点对点的对比。 （2）给出单篇内容提供打分选项，建议用户从内容和自身偏好的相关性、内容的信息量等角度给予1-5分的评分。 （3）给出开放性问题来收集用户对自己信息流的反馈。
PS：问人工评估过程中选取的文章是如何选取？
我猜想两种方式，一是用户看过的文章，二是根据不同算法推荐出来的两篇文章，看哪种算法更好。
11.用户画像数据分为静态和动态数据
12.内容冷启动阶段，推荐系统更依赖于内容本身固有属性，可分为内容展现纬度和内容消费纬度。
优化：
根据内容不同，探寻面对不同人群的更适合的表现形式，对于一篇文章，图文展现比纯标题文字展现效果好，对于一个视频，全屏展示视频瀑布流比较好。
优化：
一方面，挖掘完善不同内容的特征，比如对视频而言，时长、画面清晰度均可成为补充特征；对短内容而言，冷启动阶段，放大作者的权重，优先推荐给其粉丝群体。
另一方面，引导作者完善内容信息，如给视频增加简介、标注，选择自定义封面而非视频截图，而且封面最好和标题、内容相匹配。平台提供双标题、双封面等功能，帮助创作者更好的传播自己的内容。
PS:避开超流量话题，比如双十一和鹿晗恋情等流量黑洞。
13.图文载体可供系统分析的信息相对丰富，可以统计文章词频，分析内容。对视频载体或短内容来说，由于文本信息匮乏，系统会更倾向于从标题、描述、作者纬度来预估点击率和内容质量，也由于标题的误导，导致好的内容没有得到合适的曝光。
14.所以，我们还有隐私吗？完全被通讯录留了电话的人出卖了也不知道。
文/曹门霞客行
文/曹门霞客行
1 2
15.冷启动阶段，推荐技术的本质是留住用户，不断推荐用户喜欢的内容。产品的主场景留住用户，产品的增值场景可以追求用户兴趣探索，除了用户关注的内容，还会穿插部分扩展推荐性质的内容。经历过冷启动后，已实现用户留存，推荐系统需要牺牲短期点击率来探索用户更广泛的兴趣，从而获得用户长期留存率提升。
16.内容供应层面，不断引入更多内容品类和品牌，同时设置首页展示或广告位（即生推），帮助这类内容通过探索，快速找到基础用户。生推适合大品类、受众广、大规模生产的内容，不适合容易引起争议和让人反感的内容。
生推前，基于专家判断制定简单的人群定向规则，用规则引导新品类、新品牌的加权分发，将全人群的强展示转为特定人群的强展示，从而换取更高的点击率。
17.只要用户停留足够长，用户的兴趣探索就越完善。应对小众兴趣，一是扩充系统的资源地，二是通过产品设计，鼓励用户进行强表达行为（关注、收藏）发现更多兴趣模块。
PS:一次关注行为比一次点击行为更加经得起长时间的衰减。
18.冷启动阶段，作者占很大的权重，所以对作者的评价体系要合理可信。头条号有原创度、健康度、垂直度、关注度和传播度。
19.对原创的保护是各平台的共识和基础建设。微信公众号的原创标识、转载跳转到原文，今日头条检测23个平台，系统6小时内完成检测，抓取疑似侵权链接，交于第三方帮助作者实现维权。
平台要建立扬善的正面引导，惩恶树立平台规则，比如打击**公告，公布被打击的名单等。（与我的观点不谋而合）。
20.常见的推荐问题
文/曹门霞客行
文/曹门霞客行
最后一种情况，分别推荐即可。
【建议解释头条号的双封面和双标题权限】就是同一个产品拥有两个版本的封面，用两种不同的方式来表达同一个内容。 如同一本书，正反两面都是封面。
针对B类情况，意味着同一个用户，未点击同一个内容的第一个标题和封面，系统会把第二个标题和封面推荐给他，提高内容的曝光率，也不会增加用户一看列表页觉得重复的暴走感。
［真的很有脑洞！］
文/曹门霞客行
文/曹门霞客行
之前就遇到过某个作者内容霸屏的情况，采用不同纬度打散的规则。比如一个读者关心财经和体育，关注了樊刚、虎扑和网易运动栏目，正在NBA期间，采取多维规则前：
NBA 虎扑 NBA 2 虎扑 湖人 虎扑 NBA 网易运动栏目 湖人 网易运动栏目 六个红包 樊刚 买房打脸言论 樊刚
改变规则后：
NBA 虎扑 湖人 网易运动栏目 六个红包 樊刚 NBA 2 虎扑 买房打脸言论 樊刚 NBA 网易运动栏目 湖人 虎扑
看列表，视觉的密集感下降了。
21.易反感内容
对这类内容进行收集和标注，为模型训练做准备，研发识别模型，产品经理对模型的准确度和召回度进行评估：
对易反感内容，用户不点击，则敏感内容应推迟多个周期后才推荐。
22.关于好内容的标准
文/曹门霞客行
文/曹门霞客行
23.机器学习大面积取代人工判断的时代到来，产品经理要干嘛？训练机器。
24.有价值用户长期留存
【谁在付费？打赏、购买课程、充值会员的。以及哪些作者引起了用户的这种行为。】
25.好的个性化需要克制，引入更多纬度的人工评估进行决策权衡，以可量化的短期指标损失来保证不能轻易量化的消费体验。
26.同样是好内容，有些人是在写艺术品，有些人写消费品。
所以有些写作课，有人觉得low，可能是他在写艺术品，看不上写消费品的作者教授的方法。
27.影响内容的第一次打开率的最直接的因素：
占据流量太久的甲方，换到乙方没法干活了。在人工选择阶段，会控制标题党，在算法分发的情况下，就靠用户自己用脚投票了。
自媒体成为标题党，是因为懂得他们在做内容快消品的生意。而平台控制标题党，是为了保证用户的阅读体验，有如下方法：
写一秒就懂的标题和有内涵的标题，在技能图谱中，属于不同的象限。
28.REO(Recommend Engine Optimization)机器推荐优化
自媒体关注推荐系统的长期利益诉求，成为一个系统信赖的品牌。
与平台运营者保持良好沟通，加入官方的运营群和核心功能测试时积极反馈使用感受等。
29.关于活动拉新 实物礼品用于鼓励已有活跃的老粉丝，虚拟礼品用于激活和拉新。
30.用户对内容消费意图，分为功利性诉求（通过考试和学知识）和非功利性诉求（长见识）。
能提高工作效率或收入的知识和经验最被用户认可，有63.3%的人愿意付费。有关职业与学业的发展建议，我有40%的付费意愿。内容产品的功利性是包装方向，付费内容一定可以解决的是听者的自我焦虑感。
人们只会对自己觉得对自己有价值、超预期的内容付费。
