阐述引爆用户流量的9个方法怎样引爆用户流量？ _用户流量

对于算法分发很多人会有所误解，这或许源自远观而缺乏了解，才会觉得算法猛如虎。而当你走近了算法分发，有了一定的了解之后，可能会有重新的认知：算法如虎，细嗅蔷薇。

文章插图
一、算法分发知多少？尽管算法分发中应用了各种高深的算法，但其基础原理却是朴素的：更好地了解待推荐的内容，更好地了解要推荐给的人，才能更高效的完成内容与人之间的对接。
从这个角度来看：断物识人，是一切推荐行为的起点。
对于断物识人，我们可以将它理解为打标签的过程。标签是对高维事物的降维理解，抽象出了事物更具有表意性、更为显著的特点。在不同的业务场景下，我们会选择不同的标签进行使用，来对内容和用户进行标注。
在内容画像层面，以音乐为例，最典型的有两种标签产出的方式：

专家系统：潘多拉(Pandora)的音乐基因工程（Music Genome Project）。在这项工程中，歌曲体系被抽离出450个标签，细化到如主唱性别、电吉他失真程度、背景和声类型等等。每一首歌曲都会被经由工作人员耗时30分钟左右，有选择性标注一些标签，并以从0到5的分值代表这一标签的表征程度。
UGC产出：在豆瓣，给音乐打标签的活则从专家产出，转为了普通网友贡献。群体的力量为豆瓣积累了大量具有语义表意性的标签。当然，由于用户的多样性和编辑的开放性，用户标签系统需要经过特定的清洗和归一化才能投入使用。

在用户画像层面，可以分为静态和动态两部分。
用户画像中静态的部分比较好理解，即你的设备信息、地理位置、注册信息等等，这些可以被理解为是业务无关的信息。具体到业务场景中，用户产生了更多的行为，就生成了业务相关的动态信息，即利用人的各种显式和隐式行为来对用户的偏好性进行的猜测。
以知乎读书会为例，你的显式行为是点击、收听、评分、评论等等；隐形行为则是收听完成度、是否有拖拽快进、页面停留时长等等。
通常，由于显式行为不够丰富，我们往往需要使用隐式行为来扩充我们对于用户的理解。完播率、是否快进、详情页停留时长等指标，都会被系统统计，用来判断你是否真的喜欢某个人的讲解、喜欢某本书的内容。
在内容画像的部分，可以看到一篇文章通过文本分析进行了一级和二级分类，并抽取出文章内的关键字、实体词，进一步的还会通过聚类的方式，将这篇文章与其相似的内容聚成一个簇类。之所以会有聚类，是因为专家系统的分类体系一定是对于变化不敏感的，响应不及时的，而聚类能够挖掘出更多内容的隐含信息。
在用户画像的部分：

“今日头条常用的用户标签包括用户感兴趣的类别和主题、关键词、来源、基于兴趣的用户聚类、各种垂直兴趣特征、以及性别、年龄、地点等信息。性别信息通过用户第三方社交账号登录得到。年龄信息通常由模型预测，通过机型、阅读时间分布等预估。常驻地点来自用户授权访问位置信息，在位置信息的基础上通过传统聚类的方法拿到常驻点。常驻点结合其他信息，可以推测用户的工作地点、出差地点、旅游地点。这些用户标签非常有助于推荐。 ”

（摘录自今日头条推荐算法原理全文详解——曹欢欢博士）
内容画像和用户画像，是一个相互影响的循环系统。
内容画像决定人的画像，自然是最容易理解的。在音乐场景下，你收听、收藏、评分了很多爵士类的音乐，那么系统就会判定为你是一个喜欢爵士音乐的用户。在读书的场景下，你阅读、收听了哪些书籍，哪些书籍听完了、哪些书籍重复收听了很多遍，都会影响系统中，你的用户画像。
因此， “你的选择决定你的画像”可以说丝毫不为过。
而反过来，人的画像也会影响内容的画像。我们可以看作是基于用户的行为，对内容做出的后验投票。在一个大体量的视频上传体系里，我们基本放弃了依赖人工打标签的方式，而转而利用用户的播放行为来试图猜测内容属于哪一类。
一个典型的Case：死神来了。看标题的文本信息，最大概率就是一部电影，但事实上观看这个视频的大面积是喜欢猎奇类视频的用户，深挖内容才会知道，这其实是一个车祸视频集锦。