09 facebook權重算法(騰訊算法高級研究員陳松堅：智能問答技術及其應用)

“清單體、短視頻和小測驗”，卻忽視了在這些內容背后更深層次的數據支持。

具體到我們日常的內容閱讀分析和粉絲分析過程當中，有哪些可以供分析注意的數據？

對內容分析來看，可以分為一次打開和打開后的體驗。

一次打開是指不依賴于社交傳播和搜索傳播所帶來的閱讀量。

對于微博買粉絲等粉絲分發平臺，是指粉絲帶來的閱讀量。

影響內容一次打開率最直接的因素有兩個：

活躍粉絲量和內容包裝

無論是粉絲分發平臺還是推薦分發平臺，活躍粉絲量都會影響內容展示的基本盤，只是傳導系數不太一樣罷了。

對于粉絲分發的平臺，你有多少活躍粉絲就意味著有相應比例的基礎展示量。

對于非粉絲分發的平臺，你的活躍粉絲量會被視作你在平臺上的貢獻程度和受眾情況從而影響分發權重。

同樣的一篇內容，10萬活躍粉絲的賬號發布一定比1萬活躍粉絲的賬號發布會獲得更大的基礎展示量。

內容包裝影響的是從展示量到閱讀量的轉化過程，更好的標題和封面圖就像是精致的產品包裝一樣，有助于更好的促成轉化。

比如在頭條號平臺上，就支持了一個非常酷的雙標題雙封面功能，能夠給創作者對內容不同包裝的機會。

對于標題，我習慣于引用咪蒙的觀點：“不能在一秒鐘看明白的標題，不適合傳播，不是讀者理解不了，而是他只能給咱們一秒鐘。”

在咪蒙的工作方式中，她會把當天寫好的內容發出來，交于自媒體小組的員工開始取標題。15-20分鐘內，每人至少取5個標題。

這樣，每一篇內容背后，都有近100個標題！

咪蒙隨后會從中挑出5-6個標題，放到3個由用戶顧問群里投票（每個顧問群都有人負責統計票數）。

咪蒙會參考最終的投票結果，決定用哪一個標題。

這種方式，其實就構建了一個最樸素的AB系統來驗證標題對于內容一次打開率的影響。

為了便于比較，我們通常計算一次打開率而非打開量。

對于粉絲分發平臺，一次打開率=閱讀量/粉絲量

一次打開率對于不同分發模式的平臺有不同的意義：

在粉絲分發的平臺上，一次打開率能比閱讀量更好地衡量自媒體賬號的價值。

為了保證更高的一次打開率，需要更科學地獲取精準粉絲、重視粉絲群體的互動維護，使得自身始終能夠保持較高的粉絲觸達率。

對于推薦分發平臺，一次打開率考量了自媒體對平臺分發特點的認知和對內容包裝功力。

一次打開率（推薦點擊率）高就意味著具有成為爆款的可能。甚至會收獲比粉絲分發平臺更大的閱讀量。

三、閱讀體驗

如果說一次打開代表了上門推銷人員成功敲開了用戶的房門，那么閱讀體驗衡量的就是用戶是否會為這次推銷最終選擇買單。

用戶是帶著對作者品牌和對標題封面的認知預期打開內容的，只有實際消費體驗與預判一致、甚至超出預判，才算得上是好的閱讀體驗。

我們之所以抵觸標題黨，并非因為它駭人聽聞，而是因為用戶抱著駭人聽聞的預期，點擊進入詳情頁之后才發現內容平淡無奇。

想要衡量消費體驗，內容的消費比例是一個重要的指標。

對于視頻來說是播放進度和播放時長（因為用戶會有快進的行為，所以100%的播放進度并不意味著100%的播放時長）。

平均消費比例越高，代表用戶的認可度越高、消費體驗越好。

除了內容消費比例指標以外，內容是否引發了讀者互動也是一個常見的考察角度。

如評論、點贊、收藏、轉發等，這些指標的橫向對比通常用于組織內部考核不同編輯的創作能力。

其中，個人建議需要額外關注的是評論和轉發兩個指標。

促進評論的提升算是有一些技巧性的部分：

選題有沖突性或者有代入感，在正文中留有懸念，主動引起討論、投票，在評論區中帶節奏等等都是行之有效的方式。

對于轉發指標，我們可以套用BuzzFeed的病毒傳播系數的計算方式：

四、粉絲增長分析

對于自媒體而言，虛高的粉絲數除了忽悠投資人和廣告主以外，對自身成長是毫無意義的。

想要可持續發展，只有精準的粉絲才有價值。

那什么是精準的粉絲？

我想，應該是指能夠給自媒體帶來變現價值的粉絲。

粉絲增長分析，就是圍繞有變現價值粉絲算的一筆賬：如果一個粉絲能給自媒體帶來5塊的凈利潤，那么花低于5元的成本來購買這個粉絲就是劃算的。

首先，引入三個概念——LTV、CAC和ROI。

LTV（Life Time Value）:生命周期總價值。

一個粉絲從關注你的那一天開始到取關或者脫離平臺為止，能夠帶來的收益。

通常按渠道來計算，如果某個渠道或某個平臺的用戶不精準、付費意愿差，那么這個渠道的用戶LTV就相對較低。

CAC（Customer Acquisition Cost）:用戶獲取成本。

同樣跟渠道有關，自媒體需要持續的發現低價、優質的渠道，搶占紅利期。

比如2015年初，買粉絲廣點通渠道的買粉絲漲粉，單個用戶獲取成本只有1-2塊錢。

ROI（Return On Investment）：投資回報率。

計算公式為（收入-成本）/成本。

應用于粉絲增長場景就是（LTV-CAC）/CAC。

衡量的是：你從一個粉絲身上掙到的錢，是否能夠覆蓋獲取這個粉絲的成本。

通常應該做ROI1的事情，這樣才能夠保證業務的可持續發展。后續也都圍繞這個角度展開。

首先，現身說法，舉一個親身犯下的“人傻錢多”的蠢事。

15年初，買粉絲朋友圈集贊的路數還很火熱，我們也不能免俗，搞了三場集贊有禮的活動。

三場集贊有禮的活動，表面上看起來一面光鮮，各種指標在活動日都有顯著的提升。但是興奮過去之后的分析，卻讓人笑不出來了。

三次活動中，發起活動的老用戶重疊度越來越高，帶來的新用戶越來越少，同時，新用戶的次日留存情況也越來越差。

于是，我們開始反思用戶為什么要參加集贊有禮的互動？唯利爾。

老用戶發起活動，他所帶來的新用戶無非是看一眼品牌廣告，幫朋友支持一下。

如果實物獎品價值還不錯，那么這個新用戶也會發起，但目的在于獎品而非買粉絲。

此外，設計過高的門檻使得有的用戶不樂意參與，有的用戶則自建了群開始互相點贊，達不到拉新的作用。

想要提升用戶增長的ROI，就必須降低新用戶中非精準用戶的比例，從而拉升渠道用戶的LTV，降低用戶獲取成本CAC。

由此入手，我們優化了轉發集贊拉新的方式，新一期集贊活動的禮品是凱叔西游記第二部的部分章節收聽權，每個用戶只需要拉5個用戶就能獲得。

因為是虛擬產品，CAC得到了顯著降低。

而兒童故事音頻跟買粉絲賬號捆綁只能自用，用戶如果不是真有需求就絕不會參與活動，從而提升了新增用戶的精準程度。

在后續的此類活動中，我們都有意識的對禮品的形態進行了控制：

實物禮品用于鼓勵已有的活躍老粉絲，虛擬禮品用于激活和拉新。

運營微博、買粉絲這樣的平臺，我們很容易沉迷于追求短期粉絲數字的飆漲而舉辦各種活動。

某些活動拉新從CAC的角度看或許是劃算的，但深究其所帶來的真實活躍粉絲，就往往會發現ROI遠遠小于1，充其量只能算是一次展示廣告曝光，做了一筆又一筆的蝕本生意。

想要算清楚用戶的ROI，有賴于用戶身份的識別和渠道的追溯。

在這一點上，微博和買粉絲的基礎建設比較完善。

以買粉絲為例，基于平臺提供的二維碼，我們可以追溯不同用戶的來源并標識，就像是安卓應用下載對于不同的應用市場打不同的渠道包一樣。

進而，通過平臺提供的外鏈功能、私信功能，來識別用戶的活躍情況。

對于付費增粉渠道，每隔一段時間暫停一些，比較渠道暫停前后自己粉絲量的增長情況和粉絲閱讀占比、線上活動粉絲參與量情況，建立起對付費渠道更清醒的了解。

通過數據分析的方式，能夠讓我們更加清醒的審視內容創作的消費性好壞，粉絲積累的性價比高低，從而以更經濟的方式提升自己的增長速度。

目標檢測算法（R-CNN，fast R-CNN，faster R-CNN，yolo，SSD，yoloV2，yoloV3）

深度學習目前已經應用到了各個領域，應用場景大體分為三類：物體識別，目標檢測，自然語言處理。  目標檢測可以理解為是物體識別和物體定位的綜合 ，不僅僅要識別出物體屬于哪個分類，更重要的是得到物體在圖片中的具體位置。

2014年R-CNN算法被提出，基本奠定了two-stage方式在目標檢測領域的應用。它的算法結構如下圖

算法步驟如下：

R-CNN較傳統的目標檢測算法獲得了50%的性能提升，在使用VGG-16模型作為物體識別模型情況下，在voc2007數據集上可以取得66%的準確率，已經算還不錯的一個成績了。其最大的問題是速度很慢，內存占用量很大，主要原因有兩個

針對R-CNN的部分問題，2015年微軟提出了Fast R-CNN算法，它主要優化了兩個問題。

R-CNN和fast R-CNN均存在一個問題，那就是 由選擇性搜索來生成候選框，這個算法很慢 。而且R-CNN中生成的2000個左右的候選框全部需要經過一次卷積神經網絡，也就是需要經過2000次左右的CNN網絡，這個是十分耗時的（fast R-CNN已經做了改進，只需要對整圖經過一次CNN網絡）。這也是導致這兩個算法檢測速度較慢的最主要原因。

faster R-CNN 針對這個問題， 提出了RPN網絡來進行候選框的獲取，從而擺脫了選擇性搜索算法，也只需要一次卷積層操作，從而大大提高了識別速度 。這個算法十分復雜，我們會詳細分析。它的基本結構如下圖

主要分為四個步驟：

使用VGG-16卷積模型的網絡結構：

卷積層采用的VGG-16模型，先將PxQ的原始圖片，縮放裁剪為MxN的圖片，然后經過13個買粉絲nv-relu層，其中會穿插4個max-pooling層。所有的卷積的kernel都是3x3的，padding為1，stride為1。pooling層kernel為2x2, padding為0，stride為2。

MxN的圖片，經過卷積層后，變為了(M/16) x (N/16)的feature map了。

faster R-CNN拋棄了R-CNN中的選擇性搜索（selective search）方法，使用RPN層來生成候選框，能極大的提升候選框的生成速度。RPN層先經過3x3的卷積運算，然后分為兩路。一路用來判斷候選框是前景還是背景，它先reshape成一維向量，然后softmax來判斷是前景還是背景，然后reshape恢復為二維feature map。另一路用來確定候選框的位置，通過bounding box regression實現，后面再詳細講。兩路計算結束后，挑選出前景候選框（因為物體在前景中），并利用計算得到的候選框位置，得到我們感

很赞哦!（18）