国产精品久久无码一区-精品国产偷窥一区二区-欧亚欧洲码国产-欧美乱人伦人妻中文字幕-国产av无码国产av毛片

沒有一個(gè)時(shí)代比今天更重視技術(shù)對(duì)于內(nèi)容的價(jià)值。

越來越多的人們，尤其是年輕人，更加愿意使用和相信算法生成和推送的內(nèi)容。算法之于文章，扮演的就是一個(gè)“星探”的角色。它需要在剛剛見面的幾分鐘內(nèi)，就判斷出哪個(gè)具有“明日之星”的潛力，以便分配更多的資源幫助它“走花路”，而不是只會(huì)在對(duì)方走紅之后，才說出“我早就知道”的馬后炮。

不幸的是，大部分基于內(nèi)容特征和協(xié)同過濾算法的推薦系統(tǒng)，都無法“識(shí)英雄于微時(shí)”——在文章發(fā)出早期就判斷出其受歡迎程度。這就導(dǎo)致一些原本質(zhì)量很高的文章，很可能因?yàn)槌跏紴g覽量不夠而被埋沒，“標(biāo)題黨”“咪蒙系”反而有可能得到越來越多的推薦和熱度。

如何在過剩的信息洪流中將用戶最感興趣、最具潛力的資訊率先甄選出來，是建立一個(gè)良性內(nèi)容生態(tài)的關(guān)鍵，卻也是困擾各大巨頭、懸而未決的技術(shù)難題。

最近，微信的研究人員就提出了一種新的神經(jīng)網(wǎng)絡(luò)方法DFTC，用來更好地預(yù)測(cè)網(wǎng)絡(luò)文章的熱度。由于該模型表現(xiàn)出了良好的性能，已經(jīng)被AAAI 2019 大會(huì)接收, 并在大會(huì)上作了主題報(bào)告。

它在哪些領(lǐng)域進(jìn)行了創(chuàng)新？又能為現(xiàn)有的爆款內(nèi)容生產(chǎn)機(jī)制帶來哪些改變呢？渠道分發(fā)哪家強(qiáng)？熱度預(yù)測(cè)又面臨哪些難題？

在介紹新方法之前，有必要先梳理一下，當(dāng)前的推薦算法都是如何進(jìn)行熱度預(yù)測(cè)的？

如何進(jìn)行熱度預(yù)測(cè)

一種是基于聚合瀏覽量的時(shí)間演進(jìn)過程，比如：今日頭條的熱門推薦算法，就是優(yōu)先推薦熱門的文章。

這種方式的優(yōu)勢(shì)是：已知的歷史熱度會(huì)越來越接近整體受歡迎程度，因此，模型的表現(xiàn)也會(huì)隨著文章發(fā)布的時(shí)間而變得越來越好。

但由于很多外部因素帶來的意外增長(zhǎng)，都是不可預(yù)測(cè)的，時(shí)間熱度模型卻對(duì)此卻無能為力。即使引入人工干預(yù)，除非像咪蒙系一樣憑借大量經(jīng)驗(yàn)和策劃，否則也很難確定爆款文章可能出現(xiàn)的時(shí)間，以及生命力有多強(qiáng)。

二是通過預(yù)測(cè)內(nèi)容特征的受歡迎程度，來推斷整體可能的熱度。

Yahoo Today就曾經(jīng)用新聞的點(diǎn)擊率來進(jìn)行畫像，并用feature-based learning方法來建模用戶對(duì)資訊感興趣的程度。

其中包括靜態(tài)特征，比如：資訊的類目、主題等；以及動(dòng)態(tài)特征，如某條資訊、某類資訊分時(shí)間段的各種統(tǒng)計(jì)值等。

通過這種方法，Yahoo發(fā)現(xiàn)在推薦新聞時(shí)，娛樂類新聞天然比體育類新聞點(diǎn)擊率高。

由于內(nèi)容特征不會(huì)隨著時(shí)間而變化，因此很多不那么刺激眼球的內(nèi)容，也可以獲得公平的曝光機(jī)會(huì)，使得該模型在早期階段效果更為可靠。

但問題也隨之而來，網(wǎng)絡(luò)文章通常是長(zhǎng)文本，加上越來越復(fù)雜的元數(shù)據(jù)特征（如標(biāo)題、類別、作者信息等），建模難度也日漸增大，目前還沒有此類模型能夠完全地利用這些數(shù)據(jù)。

不難發(fā)現(xiàn)：不論是基于時(shí)間演進(jìn)，還是基于內(nèi)容特征，都不足以支撐內(nèi)容終極價(jià)值的判斷標(biāo)準(zhǔn)。只有雙管齊下，才能發(fā)揮出最佳的預(yù)測(cè)效果。然而，這對(duì)于算法工程師來說是極大的挑戰(zhàn)。

DFTC：改寫熱度預(yù)測(cè)的叢林法則

為了改變這一現(xiàn)狀，微信的研究人員就此提出了一種將時(shí)間過程，與內(nèi)容特征深度地融合到一起的神經(jīng)網(wǎng)絡(luò)方法——Deep Fusion of Temporal process and Content features，簡(jiǎn)稱DFTC，來構(gòu)建更合理的熱度預(yù)測(cè)系統(tǒng)。

他們收集了2018年5月-7月的6萬篇微信公眾號(hào)文章的熱度數(shù)據(jù)，將文章熱度分為 3 類：爆款（閱讀量>10000），冷門（閱讀量<100）和普通 (其它)。最終得到一個(gè)類別基本平衡的數(shù)據(jù)集用作訓(xùn)練 (training set) 和測(cè)試 (balanced test set)，并建立了一個(gè)2 萬篇文章構(gòu)成的隨機(jī)測(cè)試集 (random test set)。

DFTC一共包含三個(gè)部分：

時(shí)間過程建模；內(nèi)容特征建模；注意融合。

首先，采用卷積神經(jīng)網(wǎng)絡(luò)（Attention CNN）來提取文章增長(zhǎng)和下降的短期波動(dòng)情況，比如：一篇文章每小時(shí)瀏覽量的變化情況。

接著，再利用循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）得出文章受歡迎程度的長(zhǎng)期增長(zhǎng)趨勢(shì)。

然后，利用分層注意網(wǎng)絡(luò)（HAN）來獲取文本特征，使用嵌入技術(shù)來學(xué)習(xí)各種元數(shù)據(jù)的特征，并進(jìn)行建模，得到一個(gè)內(nèi)容特征模型。

接下來，將建好的時(shí)序模型和內(nèi)容模型利用注意力機(jī)制，動(dòng)態(tài)地組合到一起，生成一個(gè)能夠體現(xiàn)出文章熱度演變過程多樣性的靈活權(quán)重（popularity level）。

DFTC的創(chuàng)新之處是，解決了三個(gè)懸而未決的行業(yè)難題：

如何預(yù)測(cè)意外情況帶來的短期波動(dòng)（Attention CNN自動(dòng)學(xué)習(xí)短期波動(dòng)，不做具體假設(shè)或人工設(shè)計(jì)）；如何解決元數(shù)據(jù)多模態(tài)的識(shí)別難題（embedding技術(shù)可以識(shí)別短文本描述、標(biāo)題和圖像等多種表現(xiàn)形式）；相同內(nèi)容特征與不同生命周期階段的連接（Attention融合機(jī)制，生成一個(gè)靈活權(quán)重而非線性組合）。

至此，一個(gè)更優(yōu)秀的熱度預(yù)測(cè)模型就誕生了。

實(shí)驗(yàn)數(shù)據(jù)顯示：“兩手抓兩手都要硬”的DFTC，在文章發(fā)布后的前5個(gè)小時(shí)，其預(yù)測(cè)的準(zhǔn)確度相比其他單一性解決方案強(qiáng)出了不少。

不難發(fā)現(xiàn)：DFTC正是基于對(duì)短期瀏覽量、意外因素、內(nèi)容關(guān)鍵詞等可能，決定最終受歡迎程度的多重因素進(jìn)行了全面統(tǒng)籌，才能在初始期就做出更精準(zhǔn)的判斷。

因此，一些枯燥無趣的內(nèi)容會(huì)被率先過濾掉，有潛力的優(yōu)質(zhì)文章也更容易得到推薦，避免了“酒香也怕巷子深”的命運(yùn)。

或許不久以后，依靠經(jīng)驗(yàn)和直覺打造爆款，和依靠大數(shù)據(jù)與關(guān)鍵詞打造爆款，這些技術(shù)蠻荒時(shí)代的叢林法則慢慢都會(huì)被更好的生態(tài)機(jī)制所取代。

熱度預(yù)測(cè)照亮的未來，不只屬于文字。

個(gè)性化推薦系統(tǒng)既不能完全遵循用戶興趣標(biāo)簽與內(nèi)容特征抽取的匹配，那會(huì)導(dǎo)致越來越嚴(yán)重的信息繭房（“喜歡你就多看點(diǎn)”）和回聲室效應(yīng)（“你反對(duì)的絕不出現(xiàn)”）；也不能單純依靠文章的生命周期來判斷，讓優(yōu)質(zhì)創(chuàng)作者在平臺(tái)偏向（“這篇會(huì)火都給我看”）之下涼了熱血。

因此單純從數(shù)據(jù)上看，DFTC是成功的。

目前，微信已經(jīng)將該模型作為系統(tǒng)選擇和推薦文章的重要依據(jù)，開始在“看一看”等產(chǎn)品場(chǎng)景中進(jìn)行實(shí)踐。

從更廣泛的實(shí)用性來說，DFTC所代表的思路，用深度學(xué)習(xí)技術(shù)和思維解決預(yù)測(cè)問題，正在成為業(yè)界共識(shí)。

“在任意時(shí)間預(yù)測(cè)網(wǎng)絡(luò)內(nèi)容的最終熱度”，DFTC不僅僅只有資訊平臺(tái)的推薦算法，在廣告、搜索等業(yè)務(wù)也能起到很強(qiáng)的推動(dòng)作用，提高內(nèi)容的分發(fā)效率。

而就在前不久，微軟也提出過一個(gè)跨產(chǎn)品的用戶行為模型，將用戶在搜索、新聞、appstore、xbox等多個(gè)產(chǎn)品線上的行為（反饋）統(tǒng)一在一起。這樣訓(xùn)練出的深度學(xué)習(xí)網(wǎng)絡(luò)，就能很好地優(yōu)化和解決單個(gè)產(chǎn)品上（用戶）冷啟動(dòng)、信息稀疏等問題。

也就是說：可能你搜索了“房?jī)r(jià)會(huì)不會(huì)繼續(xù)上漲”，打開新聞App就會(huì)收到“房?jī)r(jià)可能回到三年前”的新聞，是不是有點(diǎn)細(xì)思極恐呢？

這也反映出深度學(xué)習(xí)進(jìn)行熱點(diǎn)預(yù)測(cè)所呈現(xiàn)的新的問題：

平臺(tái)對(duì)熱點(diǎn)的評(píng)估只是一種模仿，好的閱讀體驗(yàn)究竟應(yīng)該如何量化？

為了更好的閱讀體驗(yàn)，讀者需要讓渡多少個(gè)人隱私？

當(dāng)然，現(xiàn)在想這些還有點(diǎn)為時(shí)過早。無論如何，熱度預(yù)測(cè)模型能力的升級(jí)，正在讓內(nèi)容產(chǎn)業(yè)關(guān)于價(jià)值的標(biāo)尺越來越多元，這可能是算法最具人性的一次。