<em id="of0lo"><ol id="of0lo"></ol></em>

        <div id="of0lo"><tr id="of0lo"></tr></div>

        <div id="of0lo"></div>

          <em id="of0lo"><ol id="of0lo"></ol></em>

          <div id="of0lo"></div>

          <em id="of0lo"></em>

          <dl id="of0lo"><menu id="of0lo"><small id="of0lo"></small></menu></dl>
          <sup id="of0lo"><menu id="of0lo"><small id="of0lo"></small></menu></sup><dl id="of0lo"></dl><sup id="of0lo"></sup>

          <div id="of0lo"><tr id="of0lo"><object id="of0lo"></object></tr></div>

          <em id="of0lo"></em>

          <div id="of0lo"><ol id="of0lo"></ol></div>

          <div id="of0lo"><ol id="of0lo"></ol></div>
          <dl id="of0lo"></dl>
              <sup id="of0lo"><ins id="of0lo"></ins></sup>

              头条的算法推荐,并不神秘!

              摘要:算法由人创造,也可以服务于人,其边界和权限也可以由人来控制?#27169;?#26080;需进行妖魔化或者神秘化。

              大数据时代,用户对于个人隐私无处安放表现出极度的不安全感,近年来315曝光的一些用户隐私泄露、甚至公民信息被非法贩卖的?#24405;?#21487;谓触目惊?#27169;?#32780;每年两会采纳的相应用户隐私保护提案,也正逐渐完善相应的法律保护边界。

              内容推荐引擎、个性化定制千人千面自从今日头条大放光彩之后,开始被很多知名APP所采纳。不过,用户与信息流?#25945;?#20043;间的关系?#34892;?#24494;妙,一些用户既享受到了App通过数据收集带来的便利,也担心过于精准化的推荐所带来的“烦恼”。

              3月下旬,网上出现一些对饿了么、美团外卖等餐饮O2O?#25945;?#36890;过录音权限窃听用户隐私的质疑,饿了么、美团官方均予以否认,并认为利用录音提取关键?#24335;?#34892;本地商品服务推荐是一种“无端的猜测?#20445;?#20917;且相应的技术条件还达不到。

              几乎在同时,今日头条在类似的质疑和谣言中并未幸免,大致的描述通常是这样?#27169;?#25105;和我朋友昨天在谈论xx,第二天头条就向我推荐了xxx?#20445;弧拔以?#26576;某App刚看过xxx,第二天头条就向我推荐了xxx”等等,一些用户也带入到是否头条也通过录音窃听用户隐私的“自证预言”之中。尽管头条官方辟谣,由于今日头条在内容兴趣推荐精?#32423;?#26041;面逐渐提升,类似用户的?#23433;?#27979;”并没有释然。

              本质上是很多用户对算法不?#31169;猓?#20174;不?#31169;?#21040;恐惧,甚至产生了一种“迷信”态度,误以为内容推荐引擎是一种“读心术?#20445;?#21487;以知晓人很多隐?#20581;?#20107;实上,从头条、快手的崛起可以看出,兴趣引擎(机器主动精准推荐)已经开始逐渐取代搜索引擎(人发起需求精准找),成为新的底层技术架构,在未来二者之间的融合也会成为信息分发?#25945;?#30340;主流,这也是目前百度App、今日头条从不同擅长领域进取的方向。如果懂得人不讲,不懂的人瞎?#25285;?#20197;讹传讹只会?#30001;?#20102;对新技术的误解。

              一、对用户隐私的获取边界,是算法的权限

              推荐引擎与搜索引擎的区别在于前者是?#20302;?#32473;用户推荐,而后者是用户主动发起寻求;所以,推荐引擎在启动期时候需要放在内容池中测试用户的兴趣,再基于用户上网的行为数据进行定制化推荐,显然更?#35272;?#29992;户上网所产生的数据。

              关于这一点,今日头条在《隐私政策》中并没有否认:

              第(1)条即为“为了保障产品的正常运行,实现个性化推荐、发布信息、互动交流、搜索查询等核心功能以及其他功能,我们会收集你的部分必要信息。” 

              第(2)条中提到了收集的是用户的哪些信息,“在你进行注?#23835;现ぁ?#21457;布信息、互动交流或使用基于地理位置的服务时,基于法律要求或实现功能所必需,我们可能会收集姓名、联络方式、通讯录、图文、音视频文件、地理位置等个人信息。”

              根据网络评论?#24471;?#21046;的要求,上述条款在如?#25105;?#27454;资讯类App之中几乎都是一样,而所收集的“音视频文件”与“图文”是已发布的信息,并且是基于法律要求或实现功能所必需才进行收集,在第(5)条?#31181;?#30003;“我们将努力采用合理的安全措施来保护你的个人信息。特别?#27169;?#25105;们讲采用行业内通行的方式以尽最大的商业努力来保护你个人敏?#34892;?#24687;的安全。”

                                                                (?#35745;?#26469;自头条隐私政策)

              如果把头条的推荐引擎比作一台人工智能(AI)机器,人工智能的特点“比你更懂你自己,帮你干活还不累?#20445;?#24212;用在信息分发领域,要实现智能推荐,须有足够丰富的用户大数据作为算法的训?#28902;?#26223;,这些数据的源头活水即用户“关注、收藏、搜索、浏览偏好等”等上网使用行为数据,作为个性化推荐的“燃料?#20445;?#24182;且AI还能根据“反馈、发布、点赞、评论等用户主动发起的行为以及明确授权同意开启的地理位置信息”来动态调整算法推荐,因而说到底,算法的推荐也是“后置的”分析处理,并没有“先知”窥探能力。

              对于通过“录音窃听用户隐?#20581;?#30340;担忧,笔者发现条款里是这样写?#27169;?#20320;使用上传?#35745;?#21457;布音视频功能时,我们会请求你授权相机、照片、麦克风等敏感权限?#20445;?#23601;跟使用微信不开启麦克风无法发送语音消息、使用滴滴没有授权用户地理位置无法打车是一个?#35272;恚?#24320;启麦克风这一“敏感权限”只会在上传音视频时才会主动由用户开启,而所谓的“窃听”则?#31363;?#29992;户不知情的情况下后台开启并用于不正当用途。

              (?#35745;?#26469;自头条隐私政策)

              至于App开启用户麦克风进行录音窃听,需要远程操控用户手机,一般是黑客在用户手机先放病毒安装包,市面上的手机?#20302;?#21644;病毒软件把这样的安全漏洞也早就被解决了。即使是App通过麦克风录音要综合考虑语速大小、音量大小、环境音大小、语音清晰度以及地域口音等因素,其语音识别?#26082;?#29575;非常有限、商业用户价值不大,?#23545;?#19981;如通过用户上网行为数据进行推荐来得直接?#34892;А?/p>

              算法推荐除了用户个性化资讯push外,还应用在广告精准推送和营销上,这构成了目前信息流产品的主要商业模式。

              二、从微头条、抖音推荐内容中管窥社交在算法机制中作用

              头条系产品的形态不一样,但是底层技术是一致?#27169;?#23588;其是基于用户上网行为分析出兴趣?#35745;?#25512;荐潜在?#34892;?#36259;或有用信息的引擎是一样的。

              头条产品在2017年4月份上线微头条之后,头条?#20302;?#25512;荐内容的确更加精准化了,此前很多媒体人骂头条内容low,现在基本上是听不到了。

              主要原因一方面,头条的流?#21487;?#28072;吸引了很多优质原创作者,导致其内容生态整体质?#21487;?#26377;提升;另一方面是引入微头条等社交关系链之后,?#20302;?#22312;启动期不需要?#22836;?#19981;同类型、关键?#33267;?#22495;的内容来测试读者的兴趣点,而是会参考互动频次最高的网友,已筛选或相关领域的内容推送给关系链上的用户,通过社交紧密程度辅助内容个性化推荐的?#26082;?#29575;。

              如果用户有?#25945;?#25163;机分别不同的头条账户就会发现,“在微头条中互动的频次比较高,并且会直接影响到?#20302;?#20869;容推荐,而?#20302;?#25512;荐的一些大V,往往也是好友所关注?#27169;?#36825;加速了一些大V吸粉的效率。”一位关注阿星微头条、并且经常互动的好友向我反馈,“头条不只是完全的信息‘流’,很注重粉丝的留存。”

               (第一张图和第二张图是新手机头条账户;第三张图是我经常使用头条号页面,相关度很高)

              社交关系链的引入对头条内容进化来说是一次“蝶变?#20445;?#20197;往头条的推荐只需要根据用户本身上网数据进行兴趣推荐;引入到社交因素之后,除了根据机器默认用户兴趣偏好以外,还会把好友已经看过的西瓜视频、小视频、悟空问答等推荐给新用户,从而大大产品的使用粘性。

              类似的作用机制与微信公众号中好友通过点赞“在看”筛选优质内容如出一辙,不过,以社交推荐内容的方式在头条相对隐蔽,也更为数据化。

              同样的机制也会出现在抖音的流量推荐之中,第一步是机器测试、积累数据后识别用户的兴趣爱好;第二步开始引入互动高频的抖音好友完播、点赞、评论的内容,从而让用户在刷抖音时获得?#20004;?#24335;体验。

              在第一阶段的抖音,机器会更换美女、帅哥、美景、搞笑、萌娃、宠物、才艺、技能、情感、干货等不同类型进行测试,在兴趣标签相对宽泛时,信息流推荐容易出现审美疲劳,并导致火爆的视频创意演变为套路化的程式。

              而在引入社交相关度个性化推荐之后,用户刷到的下一个短视频,推荐权重最高的是,很多概率会是抖音上互关的好友点赞过短视频,会做优先呈现;如果你关注的好友很少,这种体会将更?#29992;?#26174;,机器默认为好友?#34892;?#36259;的视?#30340;?#20063;会?#19981;丁?#36825;一点上看,抖音进行流量推荐也并非神秘莫测。

              「假如你有两个抖音账户,你会发现抖音推荐的小秘密 ,那就是会直接推荐关系链上(互关的、互动高频的朋友)看过的视频,比如在另一个手机?#31995;?#30340;视频,会推荐到另一账户之上,要是?#20063;?#21040;此前看过短视频,只要在另一台手机上一直往下刷,一定可以刷到!另外,西瓜视频的推荐也是如此,这让我?#19994;?#20102;自?#21512;不端?#35199;瓜视频的原因,因为机器默认我的朋友大体上和我的欣赏趣味是一致?#27169;?#25152;有看起来厉害的算法推荐,其实也是有社交的。」

              ?#20197;?#25226;这个微头条征求其他好友确认,发现这并非个别情况:

              (同时?#25945;?#19981;同手机登陆不同的账户刷抖音,重?#19979;?#38750;常高并非?#26082;?#29616;象)

              在微头条、抖音之中都有一个特点是,每一条更新内容的流量与粉丝量的大小并无强关联,头条的算法推荐摆脱了自媒体对私欲流量的?#35272;担?#21482;要是优质的、并且有高强度的互动率内容,都有可能“爆?#20445;?#36825;表明,社交因素在其中既起到了甄别内容质量作用,也引导着账户间互动。

              三、理解算法机制,就理解了信息流?#25945;ā?#25026;用户”的逻辑

              算法型驱动产品不仅在信息分发中逐渐成为主流,还大量应用在电商以及O2O交易?#25945;?#20043;中,这也是为什么现在淘宝?#24247;?#20869;容电商、拼多多?#24247;鰲?#21435;?#34892;?#21270;的商品兴趣推荐”的原因。头条用户、市场人常文平认为,“算法推荐虽然方便,应用在电商?#25945;ǎ低?#20250;结合用户此前的搜索数据结果显示推荐,一些已购买的商品重复推荐,会?#35013;?#28010;费一些流量位置。”

              这意味着,在内容领域“筛选”已消耗的优质内容的逻辑是否能真正在电商领域跑通,依然在摸索之中。

              信息流?#25945;?#30340;推荐算法引擎被认为容易导致用户获取其他视角或领域的内容受到局限;一些盲目的、无意识的点击都会在后续带?#21019;?#37327;并不会真正想看到的内容,在新用户启动期时容易出现。

              解决此类问题的办法是用户有意识的训练手机的应用里的机器,才能得到高效、适合自己的个性化页面;与?#36865;?#26102;,算法产品会越来越重视“好友圈?#20445;?#36890;过人群亲密程度与?#39184;?#35805;题来更新用户的兴趣圈层。当然,如果以后信息流?#25945;?#33021;够设置到“特别关注”好友,把好友认可的内容分享给关注对象,或许能有助于优质内容获取到更多的流量。

              头条用户称呼“太准了”以致于出现对用户隐私利用的猜疑,背后也?#20174;?#20986;今日头条产品在“个性化推荐”上的确愈发成熟化。根据笔者的观察,今日头条之所以能够达到这种境界,与其他信息流?#25945;?#26377;两个不同的特点:

              一是,头条产品的流量是复合利用的。头条为了实现人机互动的高频,不断在今日头条App接入新的功能,从自媒体资讯、西瓜视频、火山直播、小视频、微头条、悟空问答、电商橱柜、付费专栏、圈子、小游戏......用户使用产品功能越多,?#25945;?#35782;别用户的画像体系越清晰,?#20302;?#25512;荐就越个性化。

              二是,头条系众多产品把技术力量和流量?#35797;?#30340;?#26696;?#29992;”发挥到极致、边际成本降低,而其他很多公司如果不看到这一点,盲目去做多个App就会陷入到兵力分散、人才浪费的困境之中。

              结合头条算法结合兴趣社区与社交因素的推测可以看出,头条做社交特点并不是表现在及时?#20302;?#19978;,而是通过内容作为?#39184;?#36830;接点,拉近粉丝与自媒体、用户与用户之间的联系。

              如果说微信的内容是为了社交粘性服务?#27169;?#37027;么头条的社交如微头条、多闪等并非突出聊天,更是为了内容推荐更精准、用户粘性更高,从而实现推荐“场景化?#20445;?#20197;致于“懂用户”信息流?#25945;?#34987;误会有“用户隐?#20581;?#30340;不安全感。

              结语

              用户隐私保护在全球?#27573;?#20869;都是一个永恒话题,去年Facebook因为泄露用户隐私?#22909;媸录?#23548;致市值大跌?#36824;?#20869;用户对于用户隐私的焦虑和关切也与日俱增,隔一段时间国内?#32479;?#29616;一些滥用用户隐私的质疑,这需要引起?#25945;ㄐ推?#19994;的重视,坚持把用户利益放在首位。

              通过机器?#19988;?#30340;办法来进行自发推荐,是信息分发更加智能化的表现,也使得用户隐私保护自然成为更为敏感?#26041;冢?#29992;户敏感隐私与网友所产生的数据本身是有区别?#27169;?#21069;者属于法律范畴,后者是技术范畴,个性化推荐意味着?#25945;?#23545;相应的隐私保护的升级,这事关信息流?#25945;?#29983;存的根本;没有用户数据?#35797;?#20026;基础,信息流?#25945;?#30340;个性化推荐和商业化也是空?#26032;?#38401;。

              对头条算法上述解读不难发现,内容推荐算法既离不开用户上网行为数据化,也离不开用户所关注的人,是“信息找人”与“人找信息”相辅相成;算法由人创造,也可以服务于人,其边界和权限也可以由人来控制?#27169;?#26080;需进行妖魔化或者神秘化。

              本文为 品途商业评论(http://www.wljj.icu)投稿作者:李星 的原创作品,责编:矫薇。欢迎转载,转载请注明原文出处:。本文仅代表作者观点,不代表品途商业评论观点。

              发表评论

              您的操作太快喽,请输入验证码

              您输入的验证码不正确。

              看不清? 点击更换
              确定
              山东11选5预测专家

                    <em id="of0lo"><ol id="of0lo"></ol></em>

                    <div id="of0lo"><tr id="of0lo"></tr></div>

                    <div id="of0lo"></div>

                      <em id="of0lo"><ol id="of0lo"></ol></em>

                      <div id="of0lo"></div>

                      <em id="of0lo"></em>

                      <dl id="of0lo"><menu id="of0lo"><small id="of0lo"></small></menu></dl>
                      <sup id="of0lo"><menu id="of0lo"><small id="of0lo"></small></menu></sup><dl id="of0lo"></dl><sup id="of0lo"></sup>

                      <div id="of0lo"><tr id="of0lo"><object id="of0lo"></object></tr></div>

                      <em id="of0lo"></em>

                      <div id="of0lo"><ol id="of0lo"></ol></div>

                      <div id="of0lo"><ol id="of0lo"></ol></div>
                      <dl id="of0lo"></dl>
                          <sup id="of0lo"><ins id="of0lo"></ins></sup>

                                <em id="of0lo"><ol id="of0lo"></ol></em>

                                <div id="of0lo"><tr id="of0lo"></tr></div>

                                <div id="of0lo"></div>

                                  <em id="of0lo"><ol id="of0lo"></ol></em>

                                  <div id="of0lo"></div>

                                  <em id="of0lo"></em>

                                  <dl id="of0lo"><menu id="of0lo"><small id="of0lo"></small></menu></dl>
                                  <sup id="of0lo"><menu id="of0lo"><small id="of0lo"></small></menu></sup><dl id="of0lo"></dl><sup id="of0lo"></sup>

                                  <div id="of0lo"><tr id="of0lo"><object id="of0lo"></object></tr></div>

                                  <em id="of0lo"></em>

                                  <div id="of0lo"><ol id="of0lo"></ol></div>

                                  <div id="of0lo"><ol id="of0lo"></ol></div>
                                  <dl id="of0lo"></dl>
                                      <sup id="of0lo"><ins id="of0lo"></ins></sup>