콘텐츠 소비 및 콘텐츠 배포

콘텐츠 제작: 특정 목적에 따라 제작자가 세상에 대한 최초의 이해

예: 휴대전화 사진에는 주관적인 의지가 반영됩니다.

콘텐츠 소비: 특정 목적 아래 시나리오, 강수량에 대한 소비자의 2차 이해

콘텐츠에 대한 소비자의 이해의 깊이는 자신이 세상에 대해 이해하는 수준을 넘지 못할 것입니다. 실용적인 창작은 관객의 특성과 결합되어야 한다.

예: 발렌타인데이에 보는 것은 영화가 아닙니다. 영상을 보고 포격을 가하는 것은 단순히 영상을 보는 것만이 아닙니다.

그래픽 vs. 영상

평가 기준: 결국 창작의 핵심은 표현의 정확성과 소통의 효율성입니다. 의미는 대상의 특성(바람이 소비자 경험을 풍부하게 함)에 따라 달라지며, 의사소통의 효과는 소비 시나리오(자동차 오디오, 정보의 수동적 획득, 텍스트 읽기, 콘텐츠의 능동적 획득, 표현)에 따라 달라집니다. 심오하고 어려운 정보)

인기의 이유

1. 소비자 측면: 보상

영상으로 표현할 수 있는 콘텐츠가 많은데, 최근 1~2년 사이에 빠르게 제작됐다.

2. 제작면: 불안

영상이나 사진은 눈으로 봐야 한다. 하지만, 사용자들은 일정 시간 동안 소비하지만, 소비하는 콘텐츠의 양은 점점 줄어들고 있습니다. 그래픽과 텍스트 자체 미디어의 업그레이드 필요

3. 플랫폼 측면: 성숙

한편으로 동영상은 지속 시간을 연장할 수 있으며 이는 리텐션에 간접적으로 영향을 미칩니다. 반면, 짧은 동영상은 트래픽 광고 노출 기회를 늘릴 수 있습니다. (긴 동영상에 비해 짧은 동영상은 동영상을 자주 선택해야 하고 새로 고침 횟수가 늘어나기 때문에 재생 시간이 더 길어집니다. 이는 프리롤 광고 및 정보에 대한 기회를 제공합니다. 흐름 광고). 따라서 다중 플랫폼은 생산 측면을 성숙시키고 소비자를 육성합니다.

정의

라벨링은 고차원적인 사물에 대한 이해를 차원 축소하여 물리적 대상의 보다 대표적이고 중요한 특성을 추상화하는 것입니다. /p>

태그 제작 방법:

콘텐츠와 사용자 두 가지 유형

콘텐츠 세로 수준에서 음악을 예로 들면 가장 일반적인 두 가지 방법이 있습니다.

p>

전문가 시스템: Pandora Music Genetic Engineering. 노래 시스템은 리드 싱어의 성별과 일렉트릭 기타의 디스토션까지 450개의 태그를 추출했습니다. . .

UGC 출력: Douban에서 사용자는 Douban에 의미론적으로 표현된 수많은 태그를 제공했습니다. 사용자 다양성과 편집 개방성으로 인해 사용하기 전에 구체적으로 정리하고 정규화해야 합니다.

사용자 초상화 수준에서는 정적 부분과 동적 부분으로 나뉩니다

정적: 장치 정보, 지리적 위치 및 등록 정보. 하지만 모두 업무와 관련 없는 정보입니다.

특정 비즈니스 시나리오에서는 사용자의 명시적 및 암시적 행동을 사용하여 사용자 선호도를 추측할 수 있습니다.

역학:

Zhihu Reading Club을 예로 들어 보겠습니다.

명시적인 행동: 클릭, 듣기, 평가, 댓글

숨겨진 행동 동작: 듣기 완료, 드래그 및 빨리 감기 여부, 페이지에 머문 시간

일반적으로 명시적 동작만으로는 충분하지 않기 때문에 암시적 동작을 사용하여 사용자의 이해를 넓힐 필요가 있습니다. . 완료율, 빨리감기 여부, 세부정보 페이지의 체류 기간 등이 모두 시스템에 의해 계산되어 특정 도서의 개인적인 설명과 내용이 정말 마음에 드는지 판단됩니다.

, 유사한 콘텐츠를 추출하여 클러스터로 클러스터링하는 기사에 키워드를 추가할 수도 있습니다. 전문가 시스템의 분류 체계는 변화에 민감하지 않고 제때 대응하지 않기 때문에 클러스터링을 통해 콘텐츠에 숨겨진 정보를 더 많이 발굴할 수 있습니다

둘 사이의 관계

콘텐츠 초상화와 사용자 초상화는 상호 영향의 순환 관계

1. 콘텐츠 프로필이 그 사람의 프로필을 결정합니다

예를 들어 록 음악에 댓글을 달고 수집하고 많이 듣는다면 , 당신은 자연스럽게 록 음악을 좋아하는 사용자가 될 것입니다

2. 사람의 초상화가 콘텐츠 초상화에 영향을 미칩니다

사용자 행동을 기반으로 콘텐츠에 대한 사후 투표. 대규모 비디오 업로드 시스템에서는 라벨링을 하나씩 포기하고 대신 사용자 재생 동작을 사용하여 콘텐츠가 어떤 카테고리에 속하는지 추측하려고 합니다.

예: 죽음이 다가오고 있습니다.

제목만 보고 영화인줄 알았는데 영상을 보는 이용자 중 상당수가 참신함을 추구하는 이용자들이었고, 알고 보니 교통사고 영상 모음집이었습니다

태그는 초록입니다 사물을 이해하고 콘텐츠에 인간의 행동을 라벨링하는 것을 협업 필터링이라고 합니다. 즉, 사용자 소비 행동을 특성으로 사용하여 사용자 유사성 또는 항목 유사성을 계산하고 정보 매칭을 수행합니다.

협업 추천에는 세 가지 하위 범주가 있습니다

1. 아이템 기준

정의: 먼저 마음에 드는 아이템을 결정한 다음 유사한 아이템을 찾아 추천하세요.

메커니즘: 항목 간의 유사성은 콘텐츠 속성의 관점이 아닌 사용자 피드백의 관점에서 측정됩니다. 콘텐츠 추천을 위해 대규모 군중 선호도 활용

2. 사용자 기반

정의: 나와 비슷한 취향을 가진 사람들을 찾고, 그 사람들이 좋아하는 것을 당신에게 푸시하세요

3. 모델 기반

정의: 사용자 선호도 정보를 적용하여 알고리즘 모델을 학습시켜 사용자의 가능한 클릭률을 실시간으로 예측합니다