□ 文/賀大為

從客戶端日常改版看資訊類應(yīng)用的基礎(chǔ)產(chǎn)品邏輯
——互聯(lián)網(wǎng)化的媒體思維之一

□ 文/賀大為

作者從新華社客戶端改版過程中，產(chǎn)品團隊討論得最多、爭論得最激烈的基礎(chǔ)產(chǎn)品邏輯入手，深入分析了當前資訊類應(yīng)用所面臨的產(chǎn)品困境，在比較分析了三種典型模式后，討論技術(shù)與人工的結(jié)合與融合的發(fā)展趨勢，以及這種趨勢對新型媒體人所提出的新要求。

新聞客戶端 資訊類應(yīng)用 產(chǎn)品邏輯 媒體融合

一、尋找客戶端產(chǎn)品的基礎(chǔ)邏輯

在新華社客戶端改版過程中，產(chǎn)品團隊討論得最多、爭論得最激烈的，就是各種功能落地的產(chǎn)品邏輯。隨著細節(jié)討論的深入，我們開始思考在紛繁復(fù)雜的應(yīng)用場景之下，應(yīng)該有一個作為通用原則的基礎(chǔ)邏輯。只有基礎(chǔ)邏輯明確了，產(chǎn)品團隊才能在同一個語境中高效溝通，也才能避免似是而非的“反用戶”的產(chǎn)品方案。

產(chǎn)品的設(shè)計可以從多個出發(fā)點來考慮，但最終都會落在滿足用戶需求這個終極問題上。那就是，資訊類應(yīng)用滿足用戶的什么需求？

答案當然是用戶獲取、閱讀內(nèi)容的需求。然而，這個看似最簡單的問題其實最難回答——如果結(jié)合千變?nèi)f化的用戶閱讀需求和使用場景來看，小小的手機屏顯然無法滿足所有用戶的所有需求。于是產(chǎn)品人員要想出解決方案，來盡量滿足更多用戶的更多需求。這就衍生出一個新的問題，如何讓用戶以最便捷的操作（最小用戶成本）獲取最多的有效信息（理想的狀況是，打開客戶端后首屏全是愛看的內(nèi)容，用戶無須挑選、刷屏，所見即所得），或者說，如何提高資訊分發(fā)的有效性和準確性。

二、三類典型模型的比較分析

所有涉及資訊分發(fā)的產(chǎn)品都在試圖找到最好的答案，目前來看，主要有三類典型的模型：

一是編輯推薦，由內(nèi)容運營人員選取、制作資訊推薦到客戶端頁面。用戶看什么、內(nèi)容按什么順序排列，都是由編輯來決定的。這種方式是自有大眾媒體以來，歷經(jīng)報刊電視、PC網(wǎng)站到第一代資訊客戶端的傳統(tǒng)邏輯，例如由門戶發(fā)展而來的新浪新聞、搜狐、網(wǎng)易、鳳凰的早期版本。隨著Web2.0時代互聯(lián)網(wǎng)交互特性極大增強、基于算法的智能推薦興起，很多人認為這一傳統(tǒng)模式是落后的。其實，目前來看也不盡然。

二是用戶訂閱，即將內(nèi)容分為很多類——分類的維度也很多，包括屬性、形態(tài)、來源等等——交給用戶來選擇，自定義自己的頁面。此類應(yīng)用比較典型的有國外的Flipbord、國內(nèi)的Zaker，已經(jīng)具備了分眾化的特點，實現(xiàn)了一定程度上的個性化。這種分眾實際上拓展了手機屏的信息容量，盤子大了就需要更多的菜，于是后端聚合的內(nèi)容也實現(xiàn)了一次大的增長。

但這種解決方案很難回答兩個問題。一個是用戶“懶”，面對一堆的訂閱項，很多用戶覺得很煩，因為他需要認真考慮選哪些，這其實是用戶使用成本高的一個體現(xiàn)；二是用戶“傻”，大多數(shù)用戶面對“我到底愛看什么”的問題時是茫然的，高度自覺的用戶通常是發(fā)燒友級的深度用戶，而他們寧愿選擇這個領(lǐng)域的針對性垂直產(chǎn)品。這兩個問題可以歸結(jié)為產(chǎn)品人員常說的“選擇恐懼癥”。

很快，互聯(lián)網(wǎng)進化出訂閱思維的變種來應(yīng)對這個問題，那就是社交媒體。以QQ空間、微博、微信朋友圈為代表的社交媒體其實也是個性化、分眾化的，其起始邏輯也是訂閱，但與訂閱內(nèi)容不同，這里訂閱的是人或者說是關(guān)系。這是一種柔性訂閱，我們關(guān)注一個“好友”時就訂閱了其發(fā)布的內(nèi)容，而這些內(nèi)容基于社交關(guān)系（圈子或者興趣）與用戶潛在閱讀需求相匹配。微博、微信有幾百個好友不算多，但簡單地訂閱內(nèi)容的話，選擇幾十個頻道就已經(jīng)很難想象了。這從一個側(cè)面解釋了社交媒體的興起，并且直接推動了用戶生產(chǎn)內(nèi)容（UGC）的大潮。隨之而來的是，互聯(lián)網(wǎng)內(nèi)容迎來裂變式增長，人類傳播由中心化進入去中心化時代。

然而，這并不是一個完美的方案。關(guān)系和興趣畢竟是間接關(guān)聯(lián)，特別是“好友”泛化了之后；UGC內(nèi)容沒有把關(guān)人，良莠不齊甚至真假混淆，用戶篩選有效信息的成本反而增加；用戶生產(chǎn)內(nèi)容的原動力失速，關(guān)注驅(qū)動生產(chǎn)的模式正在引起反思。于是，產(chǎn)品和技術(shù)再次踏上了求解之旅，這就出現(xiàn)了第三類解決方案。

三是智能推薦，通過采集用戶行為來判斷閱讀興趣，然后通過內(nèi)容的標簽分類進行匹配。計算用戶行為來猜測興趣并進行內(nèi)容匹配的過程，就是通常說的“算法”“模型”。國內(nèi)最早涉足這一領(lǐng)域的有百度、豆瓣，后來的今日頭條更是主打這一策略。因為可以在用戶沒有任何訂閱、而只是最簡單的下拉刷新中看到愛看的內(nèi)容（理論上，以極低的用戶成本實現(xiàn)了最高效的內(nèi)容分發(fā)），而且實用門檻快速降低（隨著云計算處理能力的快速提升，目前的推薦引擎在消耗有限計算資源的前提下可以實現(xiàn)百億維度的標簽匹配——推薦的精細度大幅提升，而成本大幅降低了），特別是智能化的應(yīng)用看起來提高了產(chǎn)品的科技含量，越來越多的資訊類應(yīng)用開始探索進入這一陣營。

而現(xiàn)實和理想之間依然存在差距。智能推薦飽受詬病的缺點在于線性推薦，比如典型的“骨灰盒案例”——當用戶不管出于何種場景點擊了含有骨灰盒這一標簽的內(nèi)容后，機器會反復(fù)推薦相關(guān)內(nèi)容。這當然很煩人，雖然理論上機器學習已經(jīng)進化到由已知的用戶行為推測未知的興趣，或者說機器會比你更懂得自己，但這種計算效果目前在各類產(chǎn)品上并不明顯。而且，深層次的困擾正在形成，那就是閱讀的窄化，用戶使用越多，推薦越“準”，獲取的內(nèi)容日益局限在越來越小的領(lǐng)域，一些“覺醒”的用戶開始抱怨，“智能推薦讓我活在自己的世界里，這里充滿了偏見”。

三、技術(shù)與人工的結(jié)合與融合

很有意思的是，一些用戶開始懷念最傳統(tǒng)的客戶端。專業(yè)編輯推薦雖然內(nèi)容有限，但是真實、準確；基于用戶需求最大公約數(shù)的公共新聞滿足主要目標用戶群體的共同需求，構(gòu)成流量主體，并且讓人們知道全球全網(wǎng)的用戶都在關(guān)注什么內(nèi)容；清晰的主線、明確的態(tài)度都和智能化、社交化應(yīng)用的雜亂、零碎形成鮮明對比。海量信息日益形成海量冗余，平臺和終端都逐步意識到，內(nèi)容的價值需要重新評估，新聞（資訊）專業(yè)主義在新媒體領(lǐng)域開始回歸。

到頭來，產(chǎn)品經(jīng)理和用戶都會發(fā)現(xiàn)，哪種方案都不完美，因此也從來沒有單純某種模型的資訊類應(yīng)用。一方面，傳統(tǒng)資訊客戶端開始用智能推薦做長尾閱讀；另一方面，今日頭條引入“我不喜歡”之類的反向訂閱來校正人工智能，一點資訊改變了基于瀏覽行為的推薦模型轉(zhuǎn)而引導(dǎo)用戶通過搜索來發(fā)現(xiàn)興趣、進而通過訂閱細分關(guān)鍵詞生成自定義頻道。

綜合以上模型分類，當前至少有一點已是業(yè)界共識，就是技術(shù)和人工的結(jié)合、配合乃至融合。技術(shù)可以替換大量基礎(chǔ)性、重復(fù)性的低級勞動，人工則專注于機器尚不能達到的高級智能。前者如全網(wǎng)的稿件檢索、采集、清洗、存儲、標引，后者如策劃（體現(xiàn)關(guān)注點和對社會心理的判斷）、評論（體現(xiàn)立場、態(tài)度、情感）、推送（體現(xiàn)新聞價值判斷和用戶需求判斷）。由此可推演出“三個80%”的業(yè)務(wù)場景，即在匯聚海量信息的前提下，80%的稿件由機器智能分發(fā)，80%的人力集中在20%的重點內(nèi)容上，而這20%的內(nèi)容將獲取80%的流量。

從前瞻來看，隨著計算能力的快速提高和推薦算法的演進，機器的比重將逐步提高。以我們的智能編輯系統(tǒng)為例，機器模擬編輯的選稿方法向頻道編輯推薦待簽稿件，編輯無須不斷重復(fù)檢索、采集等耗時耗力的基礎(chǔ)性工作，省下精力來提升策劃組織的專業(yè)性。當算法越來越了解編輯，理論上可以毫秒級的速度推薦出一百個資深編輯花幾個小時完成基礎(chǔ)內(nèi)容工作量。

值得期待的是，機器向人學習的同時，編輯也需要反向向機器學習。編輯遠比機器熟悉業(yè)務(wù)場景和用戶使用場景，如果了解大數(shù)據(jù)處理的基本思維，勢必能更好地在日常操作中做到人機交互，幫助機器快速提高智能程度。從這個角度看，全媒體編輯不僅是熟悉多媒體形態(tài)，更是具備產(chǎn)品和技術(shù)思維的新型媒體人。

（作者單位：新華社新媒體中心）

編輯 張 壘 leizhangbox@163.com