内容分发三分天下？编辑、算法与社交(2)

借由上面的公式不难看出，亲密度和动作的引入，极大的抑制了大V和营销号刷屏的情况。此前，企业账号一旦获得了粉丝就相当于获得了稳定的广告位，所有新广告以几乎 0 成本的形式展现在这些粉丝的信息流中。但此后，没有互动的粉丝就只是停留在页面上的一个数字而已，企业账号必须同时下力气来维护自己的粉丝群体。

在随后的日子里，Facebook致力于借由机器学习方式改进排序算法，除了最初的 3 个EdgeRank因素之外，不断追加新的特征和排序方式，如Story Bumping（系统对用户错过的信息中进行二次判断，如果判断为重要，则会跳过时间序进行置顶展示）,Last Actor（系统根据用户最近频繁互动的 50 人，进行信息排序的调权，放大短期兴趣的影响）等等。

无独有偶，在国内，微博也逐步意识到自己的流量被大V和营销号所挟持的问题，开始越来越多在信息流之上应用推荐算法，将原有的时间排序调整为智能排序，以控制刷屏、广告泛滥等问题，优化用户的使用体验。如果你有关注过微信朋友圈的分发，就会注意到，某些被疑似过度传播的内容（微商广告、转发集赞）是被微信降频过滤的。

微博、Facebook将关注关系作为筛选因素，将用户的点击、评论行为作为调权因素，是在“关注关系产出内容”的候选集上进行算法排序。相较起来，头条将关注关系也弱化为调权因素，从而获得了一个更广泛的候选集范围（用户相当于在头条上关注了所有的头条号），在此之上进行的排序能够有更高的效率匹配性和更好的可扩展性。

算法分发 分发的终局？

某种角度来看，算法分发或许可以被称之为终极解决方案。

为什么这么说呢？因为推荐算法是个筐，什么都能往里装。它是基于我们对现实世界理解进行的抽象和建模，所有我们关心的因素（编辑分发、社交分发）都可以转化为算法推荐的参考因素。

如果我们化简这个问题，将推荐的因素收敛到编辑因素、社交因素、模型因素三个部分，那么，一个内容在系统中的得分可以表示为下列公式：

内容得分= a编辑因素 + b社交因素 + c*模型因素

a，b，c分别为三个因素的权重。如果我们把某个因素的权重置为1，其他因素的权重置为0，那么算法分发就能够等同于编辑分发或社交分发。

各种权重的调节，则完全是以平台的价值感导向所决定的。以FaceBook为例，其认为来自真实好友关系的生活记录内容更重要，在分发过程中就会加强真实好友生活记录内容的权重，而弱化他们转发内容的权重，进一步弱化媒体所发布内容的权重等等。

事实上，我们所熟悉的各类内容分发产品，无论起步如何，如今都走上了一条多元素融合的道路上：依赖中心化编辑引导和干预，依赖去中心化用户生产传播，应用机器学习提升效率。新版的微博也在关注频道的旁边放置了热门频道，提供了不依赖于订阅关系的内容推荐服务，微信都上线了实验室功能“看一看”。

沉迷气宗剑宗之争的看官们，还是散了吧。

（编辑：ASP站长网）