UGC生態(tài)模式下內(nèi)容審核和內(nèi)容分發(fā)[產(chǎn)品經(jīng)理培訓]

傳統(tǒng)的PGC生態(tài)下，內(nèi)容質(zhì)量處于可控狀態(tài)，在發(fā)布之前只要做普通的校對即可。但是在UGC生態(tài)模式下，用戶眾多且處于不可控的狀態(tài)，因此內(nèi)容的質(zhì)量就必須嚴格把關審核。

一、內(nèi)容審核

對于不同形態(tài)的內(nèi)容，審核方式不一樣

1. 文本內(nèi)容

對于文本內(nèi)容，一般采用自動審核的方式，常用的實現(xiàn)方法如下：

1)在后臺提供關鍵字庫管理

2)根據(jù)關鍵字庫，在前端識別用戶發(fā)布的文本。如果文本跟關鍵字庫中的關鍵字庫匹配上，則將匹配上的字優(yōu)化掉，比如用*或者其他固定文本代替。

這種審核方式簡單、實現(xiàn)成本也低。需要注意的就是關鍵字庫要豐富，而且還要考慮拆解字的情況，比如用戶會把“操”拆解成“扌”和“喿”，因此字庫中也要考慮到這種情況。

2. 圖片/視頻/音頻

圖片和音視頻的審核需要用到自動識別等技術，而這類技術的開發(fā)成本通常都比較高。對于資源有限的公司，一把都是使用第三方提供的服務。比如阿里、騰訊之類這些大公司，都有對方開放的自動審核工具，不過需要付費。

當然，如果沒有能力自己開發(fā)，又不想花錢，那就做人工審核：用戶發(fā)布的圖片或音視頻都處于待審核狀態(tài)，后運營人員在后臺人工審核后再確定是否發(fā)布。

內(nèi)容審核完畢后就該推送給用戶看了，那么問題來了：用什么方式把內(nèi)容給用戶看呢?不同的用戶喜好不同，該怎么投其所好呢?這就涉及內(nèi)容分發(fā)的概念了。

所謂分發(fā)本質(zhì)要解決的問題包含兩點：

1.高效的連接人與信息

2.過濾出有價值的信息，讓合適的人看到合適的信息。

根據(jù)產(chǎn)品性質(zhì)、技術實力等因素，不同的內(nèi)容平臺采用的分發(fā)方式差別很大。

二、內(nèi)容分發(fā)

目前市面上常見的分發(fā)方法有以下幾種：

1.編輯分發(fā)

這是傳統(tǒng)的內(nèi)容分發(fā)方式，由平臺自己創(chuàng)造內(nèi)容并推送，是一種中心化的分發(fā)模式。

這種分發(fā)的特點就是有什么看什么，用戶沒得選。但是好處是能控制內(nèi)容質(zhì)量，畢竟推送什么由平臺自己決定。因此在智能推送時代，這種分發(fā)方式也一直被保留著。

2.訂閱分發(fā)

在UGC生態(tài)下誕生的新的分發(fā)方式，這是一種基于粉絲，構(gòu)建內(nèi)容、用戶、平臺三者閉環(huán)的分發(fā)方式，是一種私域流量構(gòu)建。

社區(qū)時代(社區(qū)、貼吧等)，以及后來的公眾號，采用的是這種模式，你主動選了什么就給你推送什么。這種分發(fā)的特點是依靠話題來吸引和劃分用戶，但是內(nèi)容質(zhì)量無法得到保證，參差不齊。

3.社交分發(fā)

移動互聯(lián)網(wǎng)時代興起的一種分發(fā)方式。社交分發(fā)依托于關系鏈，基于社交關系傳遞信息。這種分發(fā)方式有以下幾個特點：

1)內(nèi)容的傳播權從傳統(tǒng)的精英編輯過渡到每個普通人受眾，每個人都成為了編輯，成為了內(nèi)容分發(fā)的中心。

2)讓內(nèi)容的傳播變成了“千人千面”，內(nèi)容息根據(jù)用戶的喜好在傳遞，用戶之間更容易產(chǎn)生互動，從而加強了關系鏈。

3)社交分發(fā)的基礎是聚合第一批用戶即粉絲，信息傳遞的范圍依賴于粉絲數(shù)量以及粉絲的分享意愿。

但是社交分發(fā)也有它的局限性：

1)社交分發(fā)依賴于用戶分享

2)但不是所有內(nèi)容用戶都愿意分享的，人都有偷窺的欲望，但大部分人都不愿意被別人偷窺

3)尤其在熟人社交中，用戶都比較注重人設，因此低分享價值的內(nèi)容在社交分發(fā)中處于不利地位。

4.算法分發(fā)

跟隨頭條系產(chǎn)品興起而逐漸發(fā)展出來的一種算法，基于程序，技術壁壘高，分析用戶畫像匹配興趣偏好，是一種個性化的精準投放。這種算法的優(yōu)點就是用戶喜歡看什么就能給用戶推送什么，讓用戶高度沉溺于產(chǎn)品。不足就是開發(fā)成本太高，不是普通公司能承受的。

算法分發(fā)三要素：

1)用戶畫像，要通過用戶行為分析用戶的喜好，將用戶標簽化

2)內(nèi)容畫像，內(nèi)容也要標簽化，才能與用戶進行匹配

3)算法模型，通過算法才能將用戶和內(nèi)容匹配從而做精準推送

三、推薦算法框架

幾種常見的算法

1、協(xié)同過濾算法——基于用戶

算法思路：將用戶進行分類，評測用戶之間的相似性，基于用戶之間的相似性做出推薦。

假設抖音用戶有5個維度

對美女的喜歡程度(1~5分)，對搞笑的喜歡程度(1~5分)，對民謠的喜歡程度(1~5分)，對感情的喜歡程度(1~5分)，對鄉(xiāng)村的喜歡程度(1~5分)。

用戶A：對美女的喜歡程度3，對搞笑的喜歡程度1，對民謠的喜歡程度4，對感情的喜歡程度5，對鄉(xiāng)村的喜歡程度0，用戶A可以用向量表示為r_A (3,1,4,5,0)

一個用戶B：對美女的喜歡程度3，對搞笑的喜歡程度4，對民謠的喜歡程度5，對感情的喜歡程度0，對鄉(xiāng)村士的喜歡程度2，用戶B可以用向量表示為r_B (3,4,5,0,2)

對于向量A和B而言，他們的在多維空間的夾角可以用向量余弦公式計算：

余弦相似度取值在0到1之間，0代表完全正交，1代表完全一致。那么用戶A和B的相似度計算：

即代表了兩個用戶音樂偏好的相似程度。

假如定義余弦值大于0.6即認為用戶具有相似性，那么此時A與B就是相似的

此時發(fā)現(xiàn)A看了旅游相關的視頻，由于算法認為A和B有相似性，那么就會把旅游的視頻推薦給B。

2、協(xié)同過濾算法——基于內(nèi)容

算法思路：基于內(nèi)容的相似度給用戶做推薦。

還是拿抖音舉例子

A、B、C用戶對感情、都市、搞笑、寵物類題材的視頻都點贊過

則可認為這四種題材的視頻有相似度

此時發(fā)現(xiàn)D用戶對感情、都市、搞笑類題材的視頻都點贊過

那么顯然，應該把寵物類的視頻推薦給D。

算法分發(fā)的局限性：

1.推薦狹窄，只看到喜歡的，無法拓展內(nèi)容獲取寬度

2.算法沒有價值觀，無法判斷內(nèi)容質(zhì)量的好壞

3.算法可以被反推出來，進而被利用，導致”標題黨“盛行，用戶陷入興趣孤島。【推薦了解產(chǎn)品經(jīng)理培訓課程】

小結(jié)

不同的審核方式和算法適用不同的場景，需要根據(jù)公司自身的實力，并結(jié)合產(chǎn)品的業(yè)務，選擇最合適的。