Smithy's Grandma Party

用户评论 (5)

• 

  小先知

  文艺邦用户

  1.0 分
  之前没有任何关于前期技术指导的铺垫：用力方向、力道把握甚至连观摩示范都没有……
• 

  努力站桩的奶酪

  文艺邦用户

  9.8 分
  如果对汽车知识一概不知心，推荐观看，里面大概介绍了发动机、变速箱、悬挂、汽车转向、舒适度、降噪这几个方面，观看以后常规汽车知识有了一定认识
• 

  Mr.W

  文艺邦用户

  3.2 分
  作为一门串讲中国历史剧集，通俗易懂又有趣，想粗略了解历史的，选它没错，只不过到了近代史就结束了，准备另寻近代史剧集
• 

  至尊鱼

  文艺邦用户

  7.7 分
  读完了纸质版上下两本，华莱士·比里给了我很多的启示。 其一，是格物的精神。许多事物的发展过程，我们不要老停留在辩证唯物主义的想法上，要去探寻它的科学本源，用一些数学、物理、化学这些已知的相对真理的工具去解索。 其二，是法的内核。我目前对于法的理解，是跟社会运行机制并行的两条线，它起着一个纠偏的作用。可以抽象理解为不规则的两个波，时而偏离，时而聚合，最优就是平衡，综合导向是向前发展。 其三，是政治观念。我们在看待不同社会组织形式的相互作用，即国际关系时，分清楚意识形态和政治核心诉求的区别。不要以偏概全，管中窥豹。 其四，是至善的追求。追求真知，对知识诚实，对自己诚实。
• 

  阮玲玉

  文艺邦用户

  2.1 分
  这部剧是最近看到的涉及互联网内容方面，有广度的一本新剧，评分都还没有。其书写的对于内容的生产、识别、分发全流程解析得很到位，对小白或者资深运营都有帮助，不管是搭建大厂的内容池还是小口子的内容启动，都有帮助，此外，书中关于内容平台的搭建和要注意的相关事项都有涉及和分析，让人明白内容平台从上游生产到c端的用户增长都应该有很重要的影响。而且内容平台的多边链路关系的平衡和协调，更是特别要注意的地方。 识别和分发 内容涉及的核心其实有很多个部分，看你所负责的岗位和任职的公司，关于内容产品这一块是如何定义的，但是对于内容平台的运营对象来说，其中核心要解决的首先要素，依旧是如何去搭建内容池子，然后如何进行优质内容的分发？以及你如何去运营分发的对象用户，至于商业化进程是在你内容这一块有了可以产生商业价值的资产后再去做的事。 内容的引入搭建，如何将合适的内容做好供给，寻找内容的产出永远都有方式，不管是走PGC还是买内容，亦或者是走激励用户本身产出，冷启动总是有方法的，但是启动之后如何将产出的内容去进行分类识别才是关键。它包括怎么定义好的内容、如何制定好的标准以及因此埋点做好优质内容的分类标签化、如何去识别甚至大规模的自动化的识别内容进行分类等。内容池的产出之后跟进永远是如何“精炼”的过程。 识别是一个关键活，优质标准是一个内容价值定量的问题，内在是那包含了整个产品的内容生存价值观，还有整个平台的品牌格调以及产品服务的质量恒定。很多产品的数据算法依靠模型和大数据埋点的提炼，依旧是无法准确地去评价内容的质量的，包括分类的结果或者是通过抽样、掷色子的准确率这些滚数据召回它都不一定能达到。因为内容标准之于对象的反映是多面性的，所以内容的评价标准过于复杂，难以找到一些有效的特征进行描述。 内容池中大部分内容品质的量化依旧是采取热度上面的判定。内容本身的点击量、观看量、用户对它的点赞量、以及评论数、留言数等，这是从热度去判断这个内容，看此内容它是不是在场景分发中具有一定的人气性，但却并不能说明它这个内容是优质的，如果只看数据曲线，很可能出现方向和价值观的致命性问题。另外一个是专业度方面，从内容创编剧本身的创作水平作为一个基准，综合主题类内容产出的专业度和他制作该内容的难度来考核，这样有一个能客观去评估品质标准，简单说就是如果内容创造足够专业，那该内容对应的人力成本也就越高，制作越精良，对应的物力和时间成本越高；立意越有特点，对应的机会成本越高；“成本”越高，内容品质越高。 算法和模型 此外内容体系当中的不同的载体会存载信息的不同形式，在设定标准的时候，要根据不同的主题和不同的载体分别来考察，在内容分发中，要考虑的第一标准一定是效率，用户为什么会消费的内容，无非是主动和被动2种形式，搜索到知乎问答都是用户主动消费内容，而信息流和个性化推荐就是用户被动消费内容，而现在内容的分发关键在于如何把内容“喂到”用户嘴里。 所有的个性化推荐都涉及到的算法，而算法其实就是数据+模型，你将足够大用户行为数据样本通过模型的训练去呈现预判给出用户需要的内容，算法猜测什么样的用户喜欢什么样的内容，只要用户不停的提供样本，他不停的消费内容，那我们的模型就会更加“高效”的训练出更符合用户兴趣标志的内容推送灌输给用户，而对于分发的平台运营者来说，模型和算法能够使得包括加权降权和限制等操作动作去控制和引导，对于内容数据的召回，对于模型算法的设计过滤，以及味道用户嘴里的饭菜的内容排序，去保障用户产出更多的行为数据。所有行之有效的个性化推荐算法都依赖于用户行为数据，即哪个用户消费了什么内容、哪条内容被曝光了多少