本文創(chuàng)新提出AI賦能新媒體平臺運營策略，與你分享~

一. AI賦能新媒體運營綜述

新媒體平臺運營往往會經過種子期、爆發(fā)期、平臺期的運營策略。在此基礎上，基于用戶賦能的視角，有心理賦能、結構賦能和資源賦能，本文創(chuàng)新提出AI賦能新媒體平臺運營策略。

文章開始從AI賦能寫稿，AI賦能平臺流量分發(fā)機制即內容推薦算法，然后簡述AI賦能社交互動，最后強調建議累積平臺核心資產建立統一的數字倉庫，以期望為新媒體平臺運營人員打開一扇人工智能賦能運營的窗！

二. AI賦能新媒體平臺4面解析

1. 新媒體內容創(chuàng)作：AI四步賦能寫稿

第一步：熱門話題發(fā)現

新媒體運營蹭熱點是必須的，而通多數據挖掘可以提早發(fā)現熱門話題。熱點話題與追蹤屬于數據挖掘的范疇，可應用于每天出現的信息安全、輿情監(jiān)測、突發(fā)信息等領域。 對微博、論壇、新聞等不同類型的數據統一進行處理，實現全媒體熱點話題發(fā)現。

AI賦能技術流程如下圖：

第二步：話題分類

通過對采集到的熱門話題進行分類，依據文本內容自動打上相應話題標簽?？煞譃槎鄠€版塊類別（如財經，體育，科技、民生等），多個行業(yè)分類（如汽車，奢侈品，飲食，全面小康等），以及多個細分子話題標簽（如自然災害，食品安全，條例違規(guī)，高管變動等）。同時可用話題分類AI技術快速添加并識別各種定制話題。話題分類技術流程如下圖：

第三步：自動摘要

用AI自動摘要技術生成熱門內容摘要，節(jié)省運營效率，提升新媒體內容角度。基于AI中的自然語言處理技術，自動歸納文本大意，快速了解文本的核心要點，節(jié)省新媒體運營人員大量閱讀時間。自動摘要生成AI技術流程如下圖：

第四步：編輯糾正

作為新媒體運營人員可以就自動生成的摘要要文進行創(chuàng)造，利用AI作為新媒體運營的助手。

2. AI賦能信息分發(fā)：以抖音為例

懂信息推薦算法，對自己平臺解決冷啟動和在其他平臺分發(fā)信息掌握分發(fā)技巧都有幫助。

（1）解決冷啟動推薦

從綜合算法推薦圖中可以很清楚的看到，首先，系統對每個用戶都有一個用戶 Profile 的建模，其中包括用戶的基本信息，例如用戶的年齡，性別等等；然后，系統會根據用戶的 Profile 計算用戶的相似度，可以看到用戶 Pa的 Profile 和用戶 Pc 一樣，那么系統會認為用戶 Pa 和 Pc是相似用戶，在推薦引擎中，可以稱他們是“鄰居”；最后，基于“鄰居”用戶群的喜好推薦給當前用戶一些內容，圖中將用戶 Pa喜歡的內容 Ba 推薦給用戶 Pc。

（2） 基于內容推薦

圖中給出了基于內容推薦的一個典型的例子，短視頻推薦系統，首先我們需要對短視頻的元數據有一個建模，這里只簡單的描述了一下短視頻的類型；然后通過短視頻的元數據發(fā)現短視頻間的相似度，因為類型都是“小姐姐、旅行、教育培訓”視頻 Ba和 Bc 被認為是相似的短視頻（當然，只根據類型是不夠的，要得到更好的推薦，我們還可以考慮短視頻的拍攝時間，制作份數等等）；最后實現推薦，對于用戶 Pa，他喜歡看短視頻 Ba，那么系統就可以給他推薦類似的短視頻 Bc。

（3）用戶協同過濾

上圖示意出基于用戶的協同過濾推薦機制的基本原理，假設用戶Pa喜歡內容 Ba，內容 Bc，用戶 Pb喜歡內容 Bb，用戶Pc 喜歡內容 Ba ，內容 Bc 和內容 Bd；從這些用戶的歷史喜好信息中，我們可以發(fā)現用戶Pa 和用戶Pc的口味和偏好是比較類似的，同時用戶Pc還喜歡內容Bd，那么我們可以推斷用戶Pa可能也喜歡內容Bd，因此可以將內容Bd推薦給用戶Pa。

基于用戶的協同過濾推薦機制和基于冷啟動的推薦機制都是計算用戶的相似度，并基于“鄰居”用戶群計算推薦，但它們所不同的是如何計算用戶的相似度，基于冷啟動的機制只考慮用戶本身的特征，而基于用戶的協同過濾機制可是在用戶的歷史偏好的數據上計算用戶的相似度，它的基本假設是，喜歡類似內容的用戶可能有相同或者相似的口味和偏好。

（4）內容協同過濾

基于內容的協同過濾推薦的基本原理也是類似的，只是說它使用所有用戶對內容或者信息的偏好，發(fā)現內容和內容之間的相似度，然后根據用戶的歷史偏好信息，將類似的內容推薦給用戶，上圖很好的詮釋了它的基本原理。

假設用戶Pa喜歡內容Ba和內容Bc，用戶Pb喜歡內容Ba，內容Bb和內Bc，用戶Pc喜歡內容Ba，從這些用戶的歷史喜好可以分析出內容Ba和內容Bc時比較類似的，喜歡內容Ba的人都喜歡內容Bc，基于這個數據可以推斷用戶Bc很有可能也喜歡內容Bc，所以系統會將內容Bc推薦給用戶Pc。

與上面講的類似，基于內容的協同過濾推薦和基于內容的推薦其實都是基于內容相似度預測推薦，只是相似度計算的方法不一樣，前者是從用戶歷史的偏好推斷，而后者是基于內容本身的屬性特征信息。

（5）抖音流量池背后的原理

時下推薦算法往往都不是單純只采用某一種推薦的機制和策略，他們往往是將多個方法混合在一起，從而達到更好的推薦效果。

例如時下熱火的抖音綜合采用以下算法：

第一，智能分發(fā)，抖音的算法有別于其他短視頻的流量分配，就像微博的流量向名人大V集中，剛開的微博都沒人看。而頭條系即便你是0粉絲，發(fā)布的任何視頻，抖動系統都會智能分發(fā)幾十上百的流量。而新視頻流量分發(fā)以附近和關注為主，再配合用戶標簽和內容標簽智能分發(fā)，如新視頻的完播率高，互動率高，這個視頻才有機會持續(xù)加持流量。

這也正是0粉也能1夜10w＋，一夜爆紅的原因，因此抖音的算法讓人“雨露均沾”，這波紅利給人人以機會，天天有看點！

第二，分層混合推薦，即疊加推薦，是指新視頻都會智能分發(fā)100vv左右的播放量，如轉發(fā)量達10（舉例），算法就會判斷為受歡迎的內容，自動為內容加權，疊加推薦給你1000vv，轉發(fā)量達100（舉例），算法持續(xù)疊加推薦到10000vv，轉發(fā)量達1000（舉例）,再疊加推薦到10wvv，依次累推…所以一夜幾百萬播放量的抖音主也矇，不知道發(fā)生了神馬，實則是分層的混合（Meta-Level Hybridization）采用多種推薦機制，并將一個推薦機制的結果作為另一個的輸入，從而綜合各個推薦機制的優(yōu)缺點，得到更加準確的推薦。

此推薦當然是以內容的綜合權重作評估標準，綜合權重的關鍵指標有：完播率，點贊量，評論量，轉發(fā)量，且每個梯級的權重各有差異，當達到了一定量級，則以大數據算法和人工運營相結合的機制。

第三，熱度加權，實刷近百條爆火抖音，發(fā)現所有一夜爆火的視頻，和抖音推薦板塊的視頻，播放量多在百萬級，綜合數據（完播率，點贊量，評論量，轉發(fā)量）無一例外都很好?？梢娊涍^大量用戶的檢驗，層層熱度加權后才會進入了抖音的推薦內容池，接受幾十到上百萬的大流量洗禮，各項熱度的權重依次為：轉發(fā)量>評論量>點贊量。

熱度加權的混合（Weighted Hybridization）用線性公式（linear formula）將幾種不同的推薦（完播率、點贊量、評論量、轉發(fā)量）按照一定權重組合起來，具體權重的值需要在測試數據集上反復實驗，從而達到最好的推薦效果。關于如何根據產品業(yè)務類型切換組合各個推薦機制歡迎交流微信Line15201991967。

3. AI賦能社交互動：簡述

關于AI在社交互動中的應用，研究發(fā)現，悟空問答是個智能問答平臺，通過AI技術可以快速給出問題最合適的答案。同時，在短視頻領域，AI在互動上的應用表現得更明顯。抖音視頻中，用戶吃什么顏色的冰淇淋，就可以暈染出同色調頭發(fā)，并達到發(fā)絲染色的精確度，讓畫面十分自然。

4. AI賦能數據倉庫：打通運營數據孤島

新媒體運營一個新的平臺一個新的產品需要塑造一個品牌，而品牌是一種共識，這種共識是有數字化構成。時下許多企業(yè)的數據是處于數據孤島階段。大的例如騰訊的AI部門有3個:騰訊優(yōu)圖、AI lab、騰訊云。對于AI本身來說這種組織架構是不利于AI賦能的突破的。需要做的是統一的數據倉庫。

以騰訊為例構建統一的數據倉庫，開發(fā)一套數據后臺，幫助品牌智能分析人群，實現預估、推薦，投放及投后分析全鏈路打通，并沉淀品牌專屬的數據資產。 建立品牌共識需要的是打通QQ、微信、騰訊優(yōu)圖、騰訊云數據，建議統一的數據倉庫，具體建立數據倉庫的細節(jié)【例如需求抽象、建模、選擇算法等】本文暫且不展開講述。

最后小結：AI時代，什么是運營之美

未來產品運營中使用至少一種AI技術就是美，產品運營中既有數據的知性又充滿人格化的感性就是美！

在AI賦能新媒體平臺的航道上， 理性能讓船（成型產品）航行，感性能發(fā)現新大陸（將產品引領到新的戰(zhàn)場）！

如果你想系統化入門AI產品經理，掌握AI產品經理的落地工作方法，戳這里>http://996.pm/7bjab

#專欄作家#

連詩路，公眾號：LineLian。人人都是產品經理專欄作家，《產品進化論：AI+時代產品經理的思維方法》一書作者，前阿里產品專家，希望與創(chuàng)業(yè)者多多交流。

本文原創(chuàng)發(fā)布于人人都是產品經理。未經許可，禁止轉載。