SigninwithApple曝高危漏洞?

第一阶段：核心产品策略

1.核心

算法和体验

a.初始化

借助社交平台，如微博的open api，结合微博上下文语义或关键词分析对用户进行标签分类，根据用户的feature属性进行初始化分类建模

抽取一部分用户，让用户可以自主选择新闻tag分类进行订阅，对比自动推荐的人均阅读篇数和留存情况，进行模型效果比较和优化

根据上面两点进行数据挖掘和标签分类，分析用户的feature，进行建模并预测用户可能会喜欢的新闻内容，进而预测后续新进的用户类型。

b. 核心算法

算法类型

关于推荐算法的类型的讨论，大概常用的有如下类型：

基于人/文章的协同过滤推荐

矩阵分解（隐藏因子）推荐

语义分析推荐

标签分类推荐，建立用户兴趣图谱

排序思路

确定变量组作为排序优化的目标

正向变量：如打开文章，点赞，阅读完整一篇文章；

负面变量：如不感兴趣，没有阅读完，阅读时长低于当前用户文章平均阅读时长

预测在哪篇文章能够触发我们的变量

结合分析之前用户的浏览行为是怎么样的，根据feature进行建模和预测，最终最符合优化目标的变量作为排序的重要依据。

算法预测模型

对热点、趋势文章进行模型预测

如对一定时间内语义分析上升趋势明显的关键词/事件进行学习和预测，或结合 google trends，社交网站open api综合比较

可传播文章模型预测

内容传播比=社区传播量/分享量

内容回流比=回流访问量/社区传播量

通过内容传播比和内容回流比，不断机器学习那些文章是可以成为可传播文章模 型的，从而对可传播的文章进行预测性推荐。高参与度文章模型预测

根据赞”等操作，学习和预测哪些文章是高参与度的。

2.算法运营

a.通过喜欢，不感兴趣” 类似facebook的"x-out/not like"动作的积累来平衡信噪比

通过深入分析被not like的文章，对其内部权重值下调，分析看到not like文章的用户的情况来可观分析单篇文章的质量

b.生命周期不同阶段的用户采用不同的算法

针对不同的阶段，机器学习每个阶段的用户的行为特征，并且对其特征进行分析推荐。

第二阶段：快速增长策略

1. 丰富新闻信息流产品形态

新闻信息流中有多图，赛事直播，电影，视频，音乐，专辑等内容维度拓展

2. 适度穿插第一阶段中的模型（热点模型，传播模型，高参与度模型）进行信息流运营

3. 降低首次阅读文章的门槛，对新用户阅读文章的趋势进行cohort分析

分析新用户和老用户之间阅读文章占比的趋势变化，同时可以作为观察最近发行质量和老用户阅读习惯的衡量指标

4.扩展推荐的类别，允许一定误差范围内进行扩张性推荐

第三阶段

：产品运营策略/平台化策略

1.提供站点热度分析供网站源进行文章内容优化

2.和各大站点进行深度合作，

3.站点作为公众账号接入运营

4.产品运营

总结：

要避免进入的误区：推荐的内容越来越相似，面越来越窄，变成一个

收缩型的模型，不利于产品长远发展

前期推荐会进入一个收缩的阶段，最后出来的会越来越相似（好的推荐系统，会兼顾了收敛和发散），所以指标应该是一个综合值（总阅读时长，人均阅读篇数，单篇阅读时长，互动数等来综合评定）

核心目标是建立多维度综合指标优秀，且具备良好可发展生态的算法模式。