紐約時報一天要發(fā)布300篇文章,但不是每篇都有機會上推薦位、被發(fā)布到官方Twitter、Facebook等等社會化賬號上。哪些文章值得推薦?傳統(tǒng)的做法是人工推薦,editor's choice,這也" />
紐約時報一天要發(fā)布300篇文章,但不是每篇都有機會上推薦位、被發(fā)布到官方Twitter、Facebook等等社會化賬號上。哪些文章值得推薦?傳統(tǒng)的做法是人工推薦,editor's choice,這也是絕大部分媒體都正在采用的做法。
掌握推薦或不推薦的生殺大權(quán),這個運營崗位真是一塊香餑餑,比如我們雷鋒網(wǎng)的運營總監(jiān)就是一個人生贏家,但紐約時報,居然把這么重要的一個位置讓給了機器人,并且這個機器人活兒干得很漂亮:據(jù)數(shù)據(jù)統(tǒng)計,由紐約時報“運營總監(jiān)”機器人Blossom挑選出來的文章,平均閱讀量是普通文章的38倍。
人工選擇哪篇文章應(yīng)該上推薦位或不上,既費人力,而且有時候會判斷出錯。為了解決這些燒腦的問題,紐約時報的數(shù)據(jù)團(tuán)隊( data science team,首先人家有這個部門)開發(fā)了一個機器人Blossom,并內(nèi)置到他們的新聞APP slack里面,Blossom負(fù)責(zé)預(yù)測哪些文章有可能會在社交網(wǎng)站上引起傳播,相應(yīng)地給版面責(zé)任編輯提出建議。除了預(yù)測,Blossom還可以給出一些已經(jīng)發(fā)布的文章流量增長狀況。
比如你在對話框里輸入“!blossom facebook? all”(約等于問機器人紐約時報所有版面上的文章,哪些適合推送到Facebook上),機器人會返回一個結(jié)果,如圖:
Blossom的決策原理是什么?據(jù)紐約時報數(shù)據(jù)團(tuán)隊的首席科學(xué)家 Chris Wiggins表示,Blossom運用了一種“前沿的機器學(xué)習(xí)”技術(shù),后端用了Java, Python, and MapReduce幾種編程語言,但在前端就是一個簡單友好的交互界面——“一個聊天機器人”。Wiggins沒有說得更仔細(xì),不過這不是什么不可知的黑科技,我們可以合理推測:Blossom首先知道社交網(wǎng)絡(luò)上的實時熱詞情況,再根據(jù)文章中熱詞出現(xiàn)的頻率判斷這篇文章有沒有可能引起更多點擊。當(dāng)然Blossom的算法肯定更精細(xì)。
Wiggins設(shè)計這個機器人的初衷是為了幫助而非干擾或者取代人的工作,目前來看,Blossom和編輯合作很愉快,編輯團(tuán)隊也在向數(shù)據(jù)團(tuán)隊提出一些新的需求。
評論列表(已有條評論)
最新評論