新华网 > > 正文

从客户端日常改版看资讯类应用的基础产品逻辑

2017年04月25日 16:14:36 来源: 《中国记者》杂志

    互联网化的媒体思维之一

    内容提要 作者从新华社客户端改版过程中,产品团队讨论得最多、争论得最激烈的基础产品逻辑入手,深入分析了当前资讯类应用所面临的产品困境,在比较分析了三种典型模式后,讨论技术与人工的结合与融合的发展趋势,以及这种趋势对新型媒体人所提出的新要求。

    关键词 新闻客户端 资讯类应用 产品逻辑 媒体融合

    □ 文/贺大为

    一、寻找客户端产品的基础逻辑

    在新华社客户端改版过程中,产品团队讨论得最多、争论得最激烈的,就是各种功能落地的产品逻辑。随着细节讨论的深入,我们开始思考在纷繁复杂的应用场景之下,应该有一个作为通用原则的基础逻辑。只有基础逻辑明确了,产品团队才能在同一个语境中高效沟通,也才能避免似是而非的“反用户”的产品方案。

    产品的设计可以从多个出发点来考虑,但最终都会落在满足用户需求这个终极问题上。那就是,资讯类应用满足用户的什么需求?

    答案当然是用户获取、阅读内容的需求。然而,这个看似最简单的问题其实最难回答——如果结合千变万化的用户阅读需求和使用场景来看,小小的手机屏显然无法满足所有用户的所有需求。于是产品人员要想出解决方案,来尽量满足更多用户的更多需求。这就衍生出一个新的问题,如何让用户以最便捷的操作(最小用户成本)获取最多的有效信息(理想的状况是,打开客户端后首屏全是爱看的内容,用户无须挑选、刷屏,所见即所得),或者说,如何提高资讯分发的有效性和准确性。

    二、三类典型模型的比较分析

    所有涉及资讯分发的产品都在试图找到最好的答案,目前来看,主要有三类典型的模型:

    一是编辑推荐,由内容运营人员选取、制作资讯推荐到客户端页面。用户看什么、内容按什么顺序排列,都是由编辑来决定的。这种方式是自有大众媒体以来,历经报刊电视、PC网站到第一代资讯客户端的传统逻辑,例如由门户发展而来的新浪新闻、搜狐、网易、凤凰的早期版本。随着Web2.0时代互联网交互特性极大增强、基于算法的智能推荐兴起,很多人认为这一传统模式是落后的。其实,目前来看也不尽然。

    二是用户订阅,即将内容分为很多类——分类的维度也很多,包括属性、形态、来源等等——交给用户来选择,自定义自己的页面。此类应用比较典型的有国外的Flipbord、国内的Zaker,已经具备了分众化的特点,实现了一定程度上的个性化。这种分众实际上拓展了手机屏的信息容量,盘子大了就需要更多的菜,于是后端聚合的内容也实现了一次大的增长。

    但这种解决方案很难回答两个问题。一个是用户“懒”,面对一堆的订阅项,很多用户觉得很烦,因为他需要认真考虑选哪些,这其实是用户使用成本高的一个体现;二是用户“傻”,大多数用户面对“我到底爱看什么”的问题时是茫然的,高度自觉的用户通常是发烧友级的深度用户,而他们宁愿选择这个领域的针对性垂直产品。这两个问题可以归结为产品人员常说的“选择恐惧症”。

    很快,互联网进化出订阅思维的变种来应对这个问题,那就是社交媒体。以QQ空间、微博、微信朋友圈为代表的社交媒体其实也是个性化、分众化的,其起始逻辑也是订阅,但与订阅内容不同,这里订阅的是人或者说是关系。这是一种柔性订阅,我们关注一个“好友”时就订阅了其发布的内容,而这些内容基于社交关系(圈子或者兴趣)与用户潜在阅读需求相匹配。微博、微信有几百个好友不算多,但简单地订阅内容的话,选择几十个频道就已经很难想象了。这从一个侧面解释了社交媒体的兴起,并且直接推动了用户生产内容(UGC)的大潮。随之而来的是,互联网内容迎来裂变式增长,人类传播由中心化进入去中心化时代。

    然而,这并不是一个完美的方案。关系和兴趣毕竟是间接关联,特别是“好友”泛化了之后;UGC内容没有把关人,良莠不齐甚至真假混淆,用户筛选有效信息的成本反而增加;用户生产内容的原动力失速,关注驱动生产的模式正在引起反思。于是,产品和技术再次踏上了求解之旅,这就出现了第三类解决方案。

    三是智能推荐,通过采集用户行为来判断阅读兴趣,然后通过内容的标签分类进行匹配。计算用户行为来猜测兴趣并进行内容匹配的过程,就是通常说的“算法”“模型”。国内最早涉足这一领域的有百度、豆瓣,后来的今日头条更是主打这一策略。因为可以在用户没有任何订阅、而只是最简单的下拉刷新中看到爱看的内容(理论上,以极低的用户成本实现了最高效的内容分发),而且实用门槛快速降低(随着云计算处理能力的快速提升,目前的推荐引擎在消耗有限计算资源的前提下可以实现百亿维度的标签匹配——推荐的精细度大幅提升,而成本大幅降低了),特别是智能化的应用看起来提高了产品的科技含量,越来越多的资讯类应用开始探索进入这一阵营。

    而现实和理想之间依然存在差距。智能推荐饱受诟病的缺点在于线性推荐,比如典型的“骨灰盒案例”——当用户不管出于何种场景点击了含有骨灰盒这一标签的内容后,机器会反复推荐相关内容。这当然很烦人,虽然理论上机器学习已经进化到由已知的用户行为推测未知的兴趣,或者说机器会比你更懂得自己,但这种计算效果目前在各类产品上并不明显。而且,深层次的困扰正在形成,那就是阅读的窄化,用户使用越多,推荐越“准”,获取的内容日益局限在越来越小的领域,一些“觉醒”的用户开始抱怨,“智能推荐让我活在自己的世界里,这里充满了偏见”。

    三、技术与人工的结合与融合

    很有意思的是,一些用户开始怀念最传统的客户端。专业编辑推荐虽然内容有限,但是真实、准确;基于用户需求最大公约数的公共新闻满足主要目标用户群体的共同需求,构成流量主体,并且让人们知道全球全网的用户都在关注什么内容;清晰的主线、明确的态度都和智能化、社交化应用的杂乱、零碎形成鲜明对比。海量信息日益形成海量冗余,平台和终端都逐步意识到,内容的价值需要重新评估,新闻(资讯)专业主义在新媒体领域开始回归。

    到头来,产品经理和用户都会发现,哪种方案都不完美,因此也从来没有单纯某种模型的资讯类应用。一方面,传统资讯客户端开始用智能推荐做长尾阅读;另一方面,今日头条引入“我不喜欢”之类的反向订阅来校正人工智能,一点资讯改变了基于浏览行为的推荐模型转而引导用户通过搜索来发现兴趣、进而通过订阅细分关键词生成自定义频道。

    综合以上模型分类,当前至少有一点已是业界共识,就是技术和人工的结合、配合乃至融合。技术可以替换大量基础性、重复性的低级劳动,人工则专注于机器尚不能达到的高级智能。前者如全网的稿件检索、采集、清洗、存储、标引,后者如策划(体现关注点和对社会心理的判断)、评论(体现立场、态度、情感)、推送(体现新闻价值判断和用户需求判断)。由此可推演出“三个80%”的业务场景,即在汇聚海量信息的前提下,80%的稿件由机器智能分发,80%的人力集中在20%的重点内容上,而这20%的内容将获取80%的流量。

    从前瞻来看,随着计算能力的快速提高和推荐算法的演进,机器的比重将逐步提高。以我们的智能编辑系统为例,机器模拟编辑的选稿方法向频道编辑推荐待签稿件,编辑无须不断重复检索、采集等耗时耗力的基础性工作,省下精力来提升策划组织的专业性。当算法越来越了解编辑,理论上可以毫秒级的速度推荐出一百个资深编辑花几个小时完成基础内容工作量。

    值得期待的是,机器向人学习的同时,编辑也需要反向向机器学习。编辑远比机器熟悉业务场景和用户使用场景,如果了解大数据处理的基本思维,势必能更好地在日常操作中做到人机交互,帮助机器快速提高智能程度。从这个角度看,全媒体编辑不仅是熟悉多媒体形态,更是具备产品和技术思维的新型媒体人。(作者单位:新华社新媒体中心)

【纠错】 [责任编辑: 高海英 ]
新华炫闻客户端下载

相关稿件

010020111200000000000000011199861361987481