【作者】閆澤華

【來源】青瓜傳媒

【編輯】善小布

先拋出個人的結論：編輯（中心人工主導）分發、算法（機器主導）分發、社交（離散人工主導）分發各有千秋。內容分發服務追求的是分發所能觸及的遠景，為了達成遠景，新媒體運營就需要探尋每一種分發更合適的應用場景，而不是要在“劍宗”和“氣宗”里爭個高下。

本節試圖探討的，就是每種分發方式適應的場景和它們在內容分發系統里的應用。

編輯分發 vs 算法分發

從紙質報紙雜志到廣播電視，再到門戶網站，盡管信息傳播的載體發生了變化，但是內容傳播始終保持著中心化分發，展示位有限、千人一面的狀態，信息傳播的決策權始終握在編輯手中。

編輯分發的優勢在于，借由專業背景知識完成了從海量內容到有限展示位置的過濾和篩選，經過篩選的內容，其平均質量是相對較高的。然而，基于專家的判斷難免會出現偏差，為了降低“叫好不叫座”或單個編輯偏差的情況，內容分發方也上線了相應的策略。比如傳統紙媒會有編委會投票機制，通過多人判斷選題，又如門戶網站分時段上首頁，點擊率一定時間不達標自動下架等措施。

引入了機器推薦算法的分發系統，由于達到了千人千面的效果，展示位數量得到了大量的擴展。在篩選人力不足以匹配展示位數量的情況下，編輯又起到怎樣的作用呢？

首先，人工同機器一定不是對立的，不然，今日頭條也不會吸引到如此多資深的傳媒背景從業者。 我和組內的同事不止一次的真心贊美吳達（時任頭條號運營總監）：“我們的運營團隊都是豪華高配的文化人。我跟吳達老師聊天，是要帶字典的orz”。

編輯能夠幫助推薦系統更好的理解內容，也能幫助我們更好的理解站在內容背后的創作者群體。

在內容層面，編輯和審核團隊是能夠決定什么樣的內容是低質的，不應被系統收錄和推薦的。編輯和審核評估團隊就像是內容推薦系統的門神一樣，對于不OK的內容Say NO，對于低質背后的做號者Say NO。

作為最大的信息和社交分發平臺，Facebook也在事實甄別和低質內容管理上強依賴編輯和審核的人工工作。

2016年12月16日，Facebook上線了Fact-Checking（事實審核）機制，將用戶舉報過多的信息交付機構記者來判斷。如果記者判斷這則內容是假新聞，就會將內容標記為存在爭議，一方面會在前端頁面提示給用戶此內容可能失實，另一方面會從分發量的角度進行控制。

2017年5月，扎克伯格發帖稱Facebook會再招聘3000名內容審查員，在此次招聘后將會達到7500人。審查員會過濾社交媒體上的不適當內容，如戀童癖、身體暴露、種族仇恨等內容。

除了Say NO之外，編輯同樣會對什么樣的內容特別值得推薦Say Yes。

以推送場景為例，作為強打斷的場景，被推送的內容需要被審慎的篩選出來，以保證打斷用戶是值得的。在新聞客戶端上，一貫強調篩選出“Breaking News”，當重點新聞發生時，編輯一定是24小時值守的，驗證真實性、確定推送范圍和推送級別，只為了不錯過每一條值得用戶關注的內容，讓用戶能夠更準確快速的獲得最新的消息。在這一過程中，技術能夠輔助更快速的構建新聞候選集，比如追蹤社交媒體、追蹤重點網站的發布情況（如氣象局、交通局）等，但人工才是做出最終裁決的角色。

當然，為了保證系統的可擴展性和有效性，我們希望在日常推薦中盡量避免人工的直接干預，如對內容進行調權、對展示量進行干預等等。但是，不直接干預并不代表缺位，編輯始終在扮演一個“糾偏”的角色，當發現主觀覺得好的內容沒有得到應有推薦量的時候，當發現主觀覺得差的內容得到過高推薦量的時候，都會給產品和技術做出反饋。在這種情況下，產品、技術、編輯（內容運營）會坐下來探討：其一，這是不是一個問題，如果是問題的話，是不是一個頻發的問題，以此來確定解決與否和優先級；其二，探討更系統性的解決方案，讓這一類而不是這一個問題得到更系統性的解決。

在創作者體系層面。我們常說，做產品要有用戶視角。作為平臺方，你在面對了億萬用戶的同時，也在面對萬量級的作者。作者同樣是內容分發系統的用戶。編輯會更理解創作者的語境，成為創作者和作品的代言人，來影響系統的迭代。與此同時，他們也能夠以創作者更可理解的方式去傳遞平臺的規則，幫助不同階段的創作者在平臺更好的成長。

題外話，我發現吳達老師的案頭擺了本《python數據分析》了：文化人懂技術，誰都擋不住，笑。

社交分發 vs 算法分發

在Facebook、微博、微信覆蓋了越來越多的用戶之后，內容的分發逐步去中心化：每個人都可以創作內容從而成長為自媒體，每個人都可以借由社交關系評論、轉發從而完成傳播。信息的傳播權從傳統的精英編輯讓渡到每個普通人受眾，相當于每個人都成為了編輯，成為了內容分發的中心。

社交分發首次讓信息的傳播變成了“千人千面”。每個用戶都有了個性化的內容消。2010年，Facebook主頁訪問量超過Google訪問量，意味著“社交分發”已經成為了主流的分發方式。援引皮尤研究中心此前的調查，美國成年人中有62%通過社交媒體獲取新聞，18%高度依賴該平臺，通過Facebook閱讀新聞的人數占比高達44%。

當然，社交分發也帶來了新的問題：

一方面，進入穩定期后，流量出現了新的壟斷：一些大V由于擁有海量的粉絲、保持了高頻的發布量，事實上掌握了平臺的流量分配權。比如，微博上大部分流量被營銷號和大V所占據，新的內容生產者獲取流量的成本劇增。

另一方面，隨著社交關系的不斷擴張，微博微信已經成為了線上名片，用戶關注了越來越多的來源，基于社交分發的內容質量也逐步下跌。朋友圈中盛行的養生文、微商、曬娃等等就是最好的例證。

社交分發讓人們免于信息匱乏，卻同樣帶了信息過載的問題。為了優化用戶的信息消費體驗，Facebook率先在自己的News Feed中應用算法進行排序。

Facebook最初的排序方式，稱之為邊際排名算法（Edge Rank Algorithm）。

算法的核心計算公式為：E = uwd:

• u：用戶與內容發布者之間的親密度分數，互動越高的關系分數越高

• w：不同反饋動作具有不同的權重，如展示、評論、點贊等。比如評論動作的權重就會顯著高于點贊。

• d：基于時間的衰減，越新的內容權重越高

借由上面的公式不難看出，親密度和動作的引入，極大的抑制了大V和營銷號刷屏的情況。此前，企業賬號一旦獲得了粉絲就相當于獲得了穩定的廣告位，所有新廣告以幾乎0成本的形式展現在這些粉絲的信息流中。但此后，沒有互動的粉絲就只是停留在頁面上的一個數字而已，企業賬號必須同時下力氣來維護自己的粉絲群體。

在隨后的日子里，Facebook致力于借由機器學習方式改進排序算法，除了最初的3個EdgeRank因素之外，不斷追加新的特征和排序方式，如Story Bumping（系統對用戶錯過的信息中進行二次判斷，如果判斷為重要，則會跳過時間序進行置頂展示）,Last Actor（系統根據用戶最近頻繁互動的50人，進行信息排序的調權，放大短期興趣的影響）等等。

請點擊此處輸入圖片描述

無獨有偶，在國內，微博也逐步意識到自己的流量被大V和營銷號所挾持的問題，開始越來越多在信息流之上應用推薦算法，將原有的時間排序調整為智能排序，以控制刷屏、廣告泛濫等問題，優化用戶的使用體驗。如果你有關注過微信朋友圈的分發，就會注意到，某些被疑似過度傳播的內容（微商廣告、轉發集贊）是被微信降頻過濾的。

微博、Facebook將關注關系作為篩選因素，將用戶的點擊、評論行為作為調權因素，是在“關注關系產出內容”的候選集上進行算法排序。相較起來，頭條將關注關系也弱化為調權因素，從而獲得了一個更廣泛的候選集范圍（用戶相當于在頭條上關注了所有的頭條號），在此之上進行的排序能夠有更高的效率匹配性和更好的可擴展性。

算法分發 分發的終局？

某種角度來看，算法分發或許可以被稱之為終極解決方案。

為什么這么說呢？因為推薦算法是個筐，什么都能往里裝。它是基于我們對現實世界理解進行的抽象和建模，所有我們關心的因素（編輯分發、社交分發）都可以轉化為算法推薦的參考因素。

如果我們化簡這個問題，將推薦的因素收斂到編輯因素、社交因素、模型因素三個部分，那么，一個內容在系統中的得分可以表示為下列公式：

內容得分= a編輯因素 + b社交因素 + c*模型因素

a，b，c分別為三個因素的權重。如果我們把某個因素的權重置為1，其他因素的權重置為0，那么算法分發就能夠等同于編輯分發或社交分發。

各種權重的調節，則完全是以平臺的價值感導向所決定的。以FaceBook為例，其認為來自真實好友關系的生活記錄內容更重要，在分發過程中就會加強真實好友生活記錄內容的權重，而弱化他們轉發內容的權重，進一步弱化媒體所發布內容的權重等等。

事實上，我們所熟悉的各類內容分發產品，無論起步如何，如今都走上了一條多元素融合的道路上：依賴中心化編輯引導和干預，依賴去中心化用戶生產傳播，應用機器學習提升效率。新版的微博也在關注頻道的旁邊放置了熱門頻道，提供了不依賴于訂閱關系的內容推薦服務，微信都上線了實驗室功能“看一看”。

沉迷氣宗劍宗之爭的看官們，還是散了吧。