以服务于中国广大创业者为己任,立志于做最好的创业网站。

标签云创业博客联系我们

导航菜单

短视频内容策划怎么写 短视频运营策略论文

  

  编辑导读:从AI推荐系统的概况和业务在增长压力下对推荐系统产品的渴求出发,介绍了产品经理必须了解的推荐系统技术,包括文献技术、武术技术、推荐系统框架、推荐系统大数据和推荐系统算法,重点介绍了广度学习在推荐系统产品中的应用,供大家参考学习。   

  

     

  

  AI推荐系统。这几年参加了很多线下推荐系统会议。推荐系统是继数据产品经理、B端产品经理、AI产品经理之后最受欢迎的产品经理岗位。   

  

  比如在不同年份参与亚马逊公司GMV的时候,有多少信用来自推荐系统,根据会上的PPT,每年都比较高,具体如下:   

  

  * 2019年,PPT亚马逊40%的收入来自推荐引擎;   

  

  * 2017年PPT亚马逊35%的收入来自推荐引擎;   

  

  * 2015年PPT亚马逊25%的收入来自推荐引擎;   

  

  但是做推荐系统需要产品负责人知道两个方面,一个是文学,一个是武术。   

  

  #文本1:标签系统。   

  

  能够整理手头的信息,比如内容是什么,内容是以图文为主还是长视频、短视频为主。   

  

  会标记内容。例如,我为视频APP工作的公司结合硬件的标签系统如下:   

  

     

  

  标签系统是推荐系统产品经理的基本技能,属于非算法技术的模块,因此被认为是“文本”的一部分。上图为视频标注系统的业务架构逻辑。   

  

  这个标签系统主要针对视频,其中服务包括长视频和短视频。对于长视频,基于最细粒度的标签向量,进行人工加权,通过向量相似度计算节目相似度。短视频:基于三级标签,利用产品运营策略、规则和算法计算相似度。利用NLP从标题中提取关键词补充三级标签,建立查找索引表实时更新相似度。   

  

  该系统主要包括标签数据结构、标签数据类型、标签数据源和标签系统功能。   

  

  数据结构是在计算机中存储和组织数据的方式。   

  

  标签的数据结构一般分为三层,第一层和第二层代表标签的功能;第三级表示标签的具体信息;这种数据结构来自于根据业务需求的梳理。在对标签进行分类时,根据MECE原理,它们应该尽可能独立和完整。每个子集的组合可以覆盖父集合的所有数据。标签的深度控制更适合3级和4级管理,4级是具体的标签示例。   

  

  我们的视频标签数据结构分为三个层次,比如人口属性-性别-性别(男性)的数据结构。   

  

  数据类型(英语:数据。   

  

  类型),也称为数据类型和数据类型,用于约束数据的解释。在编程语言中,常见的数据类型包括基元类型(如整数、浮点数或字符)、元组、记录单元、代数数据类型、抽象数据类型、引用类型、类和函数类型。数据类型描述数值的表示、解释和结构,并通过算法或内存中对象的存储区域或其他存储设备进行操作。   

  

  在我们的标签体系中,一般是指产品对应特定的业务内容,视频的产品经理一般会根据短视频等长视频的变化数据类型分为分类标签、栏目标签和内容标签。分类标签是指短视频的类别,如是否属于教育、音乐或舞蹈等。列标签是指一个短视频列,后跟特定内容。   

  

  那么标签的数据源是怎么来的呢?一方面,对内容进行人工梳理和标注。另一方面,算法理解视频标题内容和视频简介的分词。   

  

  #文本2:用户画像。   

  

  用户画像由N维用户标签生成。用户画像在推荐系统的设计中重点关注目标用户的动机和行为,从而避免产品设计者贸然代表用户。产品设计师往往不自觉地把自己当成用户的代表,根据自己的需求设计产品,导致无法把握实际用户的需求。很多时候,很多功能都升级了,但是用户感觉体验越来越差。   

  

  在大数据领域,用户画像的作用远不止于此。用户的行为数据不能直接用于数据分析和模型训练,我们也不能直接从用户的行为日志中获取有用的信息。标记用户的行为数据后,我们对用户有了直观的了解。   

  

  同时,计算机还可以了解用户,并将其行为信息用于个性化推荐、个性化搜索、精准广告和智能营销。   

  

  作为一个视频推荐系统,我们需要了解视频用户的特征,这可以通过传统方法中的特征工程来完成。然而,有了人工智能,我们可以使用神经网络来自动提取特征。下图:   

  

     

  

  我们已经落地的视频用户标签体系主要分为基础标签,包括设备的型号和设备的LBS位置,以及用户的家庭结构和以预测用户需求为核心目的的标签。   

如:是否已婚、是否有房、从事的行业等等。

  

  

我们视频类产品用户的标签主要来自于业务系统,例如用户用过手机看视频,用户通过电视看视频,用户看广告并点击了某类型的广告,用户在第三方平台的数据等等。

  

然后我们将用户数据ETL进入数仓,同时也会利用AI的工具例如TensorFlow等生产出新的数据,进而形成用户画像,然后封装好供推荐系统和内容运营人员利用。

  

# 武一:懂大数据和推荐系统的关系

  

推荐系统是帮助人们解决信息获取问题的有效工具,对互联网产品而言用户数和信息总量通常都是巨大的,每天收集到的用户在产品上的交互行为也是海量的,这些大量的数据收集处理就涉及到大数据相关技术,所以推荐系统与大数据有天然的联系,要落地推荐系统往往需要企业具备一套完善的大数据分析平台。

  

推荐系统与大数据平台的依赖关系如下图。

  

  

上图显示,大数据平台包含数据中心和计算中心两大抽象,数据中心为推荐系统提供数据存储,包括训练推荐模型需要的数据,依赖的其他数据,以及推荐结果,而计算中心提供算力支持,支撑数据预处理、模型训练、模型推断

  

(即基于学习到的模型,为每个用户推荐) 等。

  

# 武二:推荐系统架构

  

好的技术架构一定来自对业务发展的持续支撑,不仅不耽误业务发展且能够激发业务发展。我们的架构平台不是为了追随热点而是为了持续的激发业务创新,为客户用户提供搞好的有价值的内容。

  

  

上图为我们产品,我们的产品有很多,例如有手机APP应用,有电视端应用,有爱奇艺,也有奇秀,还有奇巴布等等产品,中间左侧我们有BI中台,中间右侧我们有AI中台,包含做好的推荐结果,推荐文档等等,下面是大数据处理架构,将数据源数据进行数据清洗,然后输入到数据中台,数据中台包含数仓,下面右侧是计算平台,包含实时(流式计算)计算引擎和离线计算以及联合GPU拓展做的机器学习平台。最右侧是一些常规的例如:AB测试、业务监控、业务指标体系等等功能模块。

  

好的推荐系统不是计算平台里有多少前沿的未经融合的算法,也不是AI中台里面封装了多少算法模型,而是能够给用户带来喜悦感和价值,同时为公司来带业务的持续增长,否则推荐系统就仅仅放在实验室里的摆设。

  

# 武三:宽度学习

  

一个好的推荐系统目标是清晰的,但是在实现用户惊喜和公司业务的持续增长上完全靠机器学习有时候是不能给用户带来人性的温暖的。所以笔者提出用宽度学习来做推荐系统的想法。(当然Wide本身的灵感来自2015年谷歌的论文,只是笔者用于实践并落地了)。

  

  

上图是笔者绘制的将宽度学习应用于推荐系统的抽象图。我们知道一般推荐系统要么基于用户进行推荐,用类似用户的相似偏好进行推荐,要么是基于物品(我们是视频)的相似度进行推荐,但是这种方式放入机器学习会有两个方面的问题:

  

一个是数据稀疏,例如用户没有对某物品购买够,收藏过,观看过,点赞过那么构成的用户行为数据矩阵或者物品数据矩阵里面会有很多空白。另外一个问题是总有一些维度数据缺失,目前据笔者所知淘宝可以为用户标签打到几百万维度,但是依然存在不懂用户的角度,所以这个时候就需要员工从人性的角度为推荐引擎进行协同。

  

所以,宽度学习应用于推荐系统是指在机器学习深度学习所搭建的推荐引擎之外搭建人工推荐引擎一融合更好的为用户带来推荐的惊喜和满意。

  

宽度学习宽的部分主要是指,用户年龄、用户的设备型号、用户的社会参与状况及人文背景。这样就拓展了人物在机器学习不到或者难以机器学习的地方的信息量和作为人类的心理感受参数。

  

# 最后

  

做出优秀的推荐系统需要克服的问题有:

  

1. 多端设备相同用户或单端设备不同用户;

  

2. 用户非登录;

  

3. 新用户;

  

4. 用户对隐私的关注;

  

5. 算法配合UI和内容运营在边缘端呈现给用户的结果;

  

6. 数据源的拓展;

  

7. 另选与行业竞对的内容或者体验。

  

能做到以上七点的推荐系统时下应该能够获得用户的惊喜。

  

我有时候喜欢做工程师,喜欢这种静下来做出东西来的小成就感,我有时候喜欢市场运营喜欢那种对用户运营的套路慢慢,不论是哪种最后我们都要给客户持续带来新产品新服务和新体验。

  

## #专栏作家#

  

连诗路,公众号:LineLian。人人都是产品经理专栏作家,《产品进化论:AI+时代产品经理的思维方法》一书作者,前阿里产品专家,希望与创业者多多交流。

  

本文原创发布于人人都是产品经理。未经许可,禁止转载。

  

题图来自Unsplash, 基于CC0协议