全文共 3386 字 4 图，阅读需要 8 分钟

———— / BEGIN / ————

新媒体平台运营往往会经过种子期、爆发期、平台期的运营策略。在此基础上，基于用户赋能的视角，有心理赋能、结构赋能和资源赋能，本文创新提出AI赋能新媒体平台运营策略。

文章开始从AI赋能写稿，AI赋能平台流量分发机制即内容推荐算法，然后简述AI赋能社交互动，最后强调建议累积平台核心资产建立统一的数字仓库，以期望为新媒体平台运营人员打开一扇人工智能赋能运营的窗！

一、新媒体内容创作：AI四步赋能写稿

第一步：热门话题发现

新媒体运营蹭热点是必须的，而通多数据挖掘可以提早发现热门话题。

热点话题与追踪属于数据挖掘的范畴，可应用于每天出现的信息安全、舆情监测、突发信息等领域。 

对微博、论坛、新闻等不同类型的数据统一进行处理，实现全媒体热点话题发现。

AI赋能技术流程如下图：

第二步：话题分类

通过对采集到的热门话题进行分类，依据文本内容自动打上相应话题标签。

可分为多个版块类别（如财经、体育、科技、民生等），多个行业分类（如汽车、奢侈品、饮食、全面小康等），以及多个细分子话题标签（如自然灾害、食品安全、条例违规、高管变动等）；同时可用话题分类AI技术快速添加并识别各种定制话题。

话题分类技术流程如下图：

第三步：自动摘要

用AI自动摘要技术生成热门内容摘要，节省运营效率，提升新媒体内容角度。

基于AI中的自然语言处理技术，自动归纳文本大意，快速了解文本的核心要点，节省新媒体运营人员大量阅读时间。

自动摘要生成AI技术流程如下图：

第四步：编辑纠正

作为新媒体运营人员可以就自动生成的摘要要文进行创造，利用AI作为新媒体运营的助手。

二、AI赋能信息分发：以抖音为例

懂信息推荐算法，对自己平台解决冷启动和在其他平台分发信息掌握分发技巧都有帮助。

1. 解决冷启动推荐

从综合算法推荐图中可以很清楚的看到：

首先，系统对每个用户都有一个用户 Profile 的建模，其中包括用户的基本信息，例如用户的年龄，性别等等；

然后，系统会根据用户的 Profile 计算用户的相似度，可以看到用户 Pa的 Profile 和用户 Pc 一样，那么系统会认为用户 Pa 和 Pc是相似用户，在推荐引擎中，可以称他们是“邻居”；

最后，基于“邻居”用户群的喜好推荐给当前用户一些内容，图中将用户 Pa喜欢的内容 Ba 推荐给用户 Pc。

2. 基于内容推荐

图中给出了基于内容推荐的一个典型的例子：短视频推荐系统。

首先我们需要对短视频的元数据有一个建模，这里只简单的描述了一下短视频的类型；

然后通过短视频的元数据发现短视频间的相似度——因为类型都是“小姐姐、旅行、教育培训”视频 Ba和 Bc 被认为是相似的短视频（当然，只根据类型是不够的，要得到更好的推荐，我们还可以考虑短视频的拍摄时间，制作份数等等）；

最后实现推荐——对于用户 Pa，他喜欢看短视频 Ba，那么系统就可以给他推荐类似的短视频 Bc。

3. 用户协同过滤

上图示意出基于用户的协同过滤推荐机制的基本原理，假设用户Pa喜欢内容 Ba，内容 Bc，用户 Pb喜欢内容 Bb，用户Pc 喜欢内容 Ba ，内容 Bc 和内容 Bd；

从这些用户的历史喜好信息中，我们可以发现：用户Pa 和用户Pc的口味和偏好是比较类似的，同时用户Pc还喜欢内容Bd，那么我们可以推断用户Pa可能也喜欢内容Bd，因此可以将内容Bd推荐给用户Pa。

基于用户的协同过滤推荐机制和基于冷启动的推荐机制都是计算用户的相似度，并基于“邻居”用户群计算推荐。

但它们所不同的是：如何计算用户的相似度。

基于冷启动的机制只考虑用户本身的特征，而基于用户的协同过滤机制可是在用户的历史偏好的数据上计算用户的相似度。

它的基本假设是：喜欢类似内容的用户可能有相同或者相似的口味和偏好。

4. 内容协同过滤

基于内容的协同过滤推荐的基本原理也是类似的，只是说它使用所有用户对内容或者信息的偏好，发现内容和内容之间的相似度，然后根据用户的历史偏好信息，将类似的内容推荐给用户，上图很好的诠释了它的基本原理。

假设用户Pa喜欢内容Ba和内容Bc，用户Pb喜欢内容Ba，内容Bb和内Bc，用户Pc喜欢内容Ba，从这些用户的历史喜好可以分析出内容Ba和内容Bc时比较类似的，喜欢内容Ba的人都喜欢内容Bc，基于这个数据可以推断用户Bc很有可能也喜欢内容Bc，所以系统会将内容Bc推荐给用户Pc。

与上面讲的类似，基于内容的协同过滤推荐和基于内容的推荐其实都是基于内容相似度预测推荐，只是相似度计算的方法不一样，前者是从用户历史的偏好推断，而后者是基于内容本身的属性特征信息。

5. 抖音流量池背后的原理

时下推荐算法往往都不是单纯只采用某一种推荐的机制和策略，他们往往是将多个方法混合在一起，从而达到更好的推荐效果。

例如时下热火的抖音综合采用以下算法：

第一，智能分发

抖音的算法有别于其他短视频的流量分配，就像微博的流量向名人大V集中，刚开的微博都没人看。

而头条系即便你是0粉丝，发布的任何视频，抖动系统都会智能分发几十上百的流量。

而新视频流量分发以附近和关注为主，再配合用户标签和内容标签智能分发，如新视频的完播率高，互动率高，这个视频才有机会持续加持流量。

这也正是0粉也能1夜10w＋，一夜爆红的原因，因此抖音的算法让人“雨露均沾”，这波红利给人人以机会，天天有看点！

第二，分层混合推荐

即叠加推荐，是指新视频都会智能分发100vv左右的播放量，如转发量达10（举例），算法就会判断为受欢迎的内容，自动为内容加权，叠加推荐给你1000vv，转发量达100（举例），算法持续叠加推荐到10000vv，转发量达1000（举例）,再叠加推荐到10wvv，依次累推…所以一夜几百万播放量的抖音主也矇，不知道发生了神马，实则是分层的混合（Meta-Level Hybridization）采用多种推荐机制，并将一个推荐机制的结果作为另一个的输入，从而综合各个推荐机制的优缺点，得到更加准确的推荐。

此推荐当然是以内容的综合权重作评估标准，综合权重的关键指标有：完播率、点赞量、评论量、转发量，且每个梯级的权重各有差异，当达到了一定量级，则以大数据算法和人工运营相结合的机制。

第三，热度加权

实刷近百条爆火抖音，发现所有一夜爆火的视频，和抖音推荐板块的视频，播放量多在百万级，综合数据（完播率，点赞量，评论量，转发量）无一例外都很好。可见经过大量用户的检验，层层热度加权后才会进入了抖音的推荐内容池，接受几十到上百万的大流量洗礼，各项热度的权重依次为：转发量>评论量>点赞量。

热度加权的混合（Weighted Hybridization）用线性公式（linear formula）将几种不同的推荐（完播率、点赞量、评论量、转发量）按照一定权重组合起来，具体权重的值需要在测试数据集上反复实验，从而达到最好的推荐效果。关于如何根据产品业务类型切换组合各个推荐机制欢迎交流微信Line15201991967。

三、AI赋能社交互动：简述

关于AI在社交互动中的应用，研究发现，悟空问答是个智能问答平台，通过AI技术可以快速给出问题最合适的答案；同时，在短视频领域，AI在互动上的应用表现得更明显。

抖音视频中，用户吃什么颜色的冰淇淋，就可以晕染出同色调头发，并达到发丝染色的精确度，让画面十分自然。

四、AI赋能数据仓库：打通运营数据孤岛

新媒体运营一个新的平台一个新的产品需要塑造一个品牌，而品牌是一种共识，这种共识是有数字化构成。

时下许多企业的数据是处于数据孤岛阶段。大的例如腾讯的AI部门有3个：腾讯优图、AI lab、腾讯云；对于AI本身来说这种组织架构是不利于AI赋能的突破的，需要做的是统一的数据仓库。

以腾讯为例构建统一的数据仓库，开发一套数据后台，帮助品牌智能分析人群，实现预估、推荐，投放及投后分析全链路打通，并沉淀品牌专属的数据资产。 建立品牌共识需要的是打通QQ、微信、腾讯优图、腾讯云数据，建议统一的数据仓库，具体建立数据仓库的细节【例如需求抽象、建模、选择算法等】本文暂且不展开讲述。

最后小结：AI时代，什么是运营之美

未来产品运营中使用至少一种AI技术就是美，产品运营中既有数据的知性又充满人格化的感性就是美！

在AI赋能新媒体平台的航道上， 理性能让船（成型产品）航行，感性能发现新大陆（将产品引领到新的战场）！

———— / END / ————