王浩威：社交网络优化SMO-迎战社交网络媒体营销的前哨战【2013创业者大会】

2013第八届中国互联网创业者（站长）大会专题

正处于信息大爆炸互联网时代，数据挖掘无疑是一件对tob和toc用户十分受益的工作，而在这个领域有着深度研究bShare更是结合了自身的优势为各个行业与领域进行着广泛的拓展与研究，从而可以为用户提升更优质的体验，转化更有价值的流量。

以下为现场实录：

各位站长，各位朋友，大家下午好！

    我今天讲的这个题目，我把它修改了一下，我想针对我们目前推出了的新产品，跟大家做一下背后的原理以及技术的介绍，让大家更了解大数据这个东西，做个性化推荐，我们是怎么做的，我们是怎么实现个东西。首先，我先介绍一下我们公司，bShare是在2009年成立的，到现在将近4年的时间，之前我们第一个产品是做社会化分享服务，很多分享到QQ空间、人人网，这个插件是我们来提供的，基于分享我们推出微积分的平台，我们利用这个分享的动作发积分给用户，让用户有动力替网站，替媒体带新的流量，这是一个微积分的平台。

    bShare一直做数据挖掘的公司，我们分享提供完整的技术追踪，在数据挖掘的基础上，开发了自己个性化开发技术，等一下花比较多的时间跟大家解释一下，个性化推荐后面的技术是怎么做的？另外，在移动部分，移动互联网整个会议的主题，大家很多都谈到移动互联网目前的流量越来越大了，我们的产品针对移动的部分都有模组可以跟各位进行合作。bShare覆盖量国内外23万家网站，其中很多的是一线的大媒体，包括新浪网、搜狐、网易、新华网、人民网、中新网这些都有跟我们进行合作。在垂直媒体部分，像优卡、艾利都是我们的合作伙伴。

    我说一下个性化推荐这个东西，新浪跟腾讯在前一阵做了很大的改版，他们开始在他们的内容版面上植入了个性化的功能，目的希望在门户上面做出更多的事情。属于大家有看过一部电影，《少数派报告》，汤姆克鲁斯走出商场的时候，商场提醒他你上次买的那条裤子，是不是适合？是不是要买一件上衣？这件事情逐步在我们的生活中发生了，大家在做数据挖掘之后，开始在做的精准营销。

    大数据的发生以及个性化的推荐的发生其实要归功于社高媒体，曾经有人统计过，过去三年来累积的数据是过去20年来的总值，以前我们传统说数据，可能讨论的都是流量量，跳出率，UV、IP这些东西，但现在大数据已经处理到人的数据了，facebook一天要处理25亿条消息，一天有27亿次的人按站，这些数据的整个汇总起来，我们归纳一些逻辑，一些原则，通过算法算出这个人可能喜欢什么东西或者人与人之间的关联性是多少，也就是因为这些东西，社交媒体的远期让整个大数据蓬勃发展。

    我们bShare一直跟媒体，做合作个性化推荐，在国外走得比较早，最有名的就是Outbrain，看过这篇文章的喜欢看什么文章，他们都是做类似的事情。Outbrain每个月接触的网民1.7亿，大概覆盖美国网民74%，每个月推荐文章，展示的次数是50亿次，Outbrain已经是相当大的网络。

    个性化推荐可以应用在哪些地方呢？目前来讲，可能有4个大的场景，内容媒体会使用，精准广告，精准广告是走的最前面的，现在很多的广告公司，广告联盟，他们都已经发展到按人群来购买投放广告，这些跟个性化推荐息息相关的。下面就是电子商务，美国的亚马逊，国内很多电商，专门服务电商挖掘的，他们也在做。第四部分就是搜索引擎了。

    内容媒体怎么做呢？现在普遍的做法就是在，我们的内容，下面会有翻页，翻页下面有评论框，插入所谓个性化内容，那就是依据你看的内容，我们来做判断。移动端对个性化推荐的需求是更大的，因为移动应用有一个天生的设计，它的屏幕就是比较小，我们打开网易新闻客户端，不可能看到像门户那样几百条新闻，如果加图文只能放到8条，前面还上了一个置顶广告只有3条。媒体跟我们谈一些试验性的方式，希望一打开应用推荐前8条，前面4条是编辑推荐的，今日热门，后面就要换成用户感兴趣的，移动应用讲究所谓最短路径以及最轻的操作，个性化推荐未来在移动上应用的领域会更多。

    我们这边可以看看新浪的例子，新浪一直在调整，但我们看到最大的调整，把猜你喜欢这个东西放到首屏了，这部分完全是用户感兴趣的内容，每个人看到会不一样。新浪已经跨出了第一步做这件事情，腾讯也有，腾讯每篇文章下面也有，两大大门户进行个性化推荐的布局了，这个我相信是未来很多媒体都开始做的事情。

    精准广告，不用多说了，现在大家想做的，每个人看到的广告是一样的，举我的例子，我对汽车、红酒特别感兴趣，一直推女装给我，对我一点帮助都没有，个性化推荐要做的就是这件事情，每个人看到的广告是不一样的。

    电子商务是相对来讲比较成熟的一块，亚马逊最有名的就是协同过滤的技术，最有名的例子，走出一个关联性，一位男性用户买了尿布之后，下一个推荐给他的是啤酒，因为他们透过用户的购买行为以及数据挖掘，会发现的是最有可能买尿布的年轻男性，因为他要顾小孩，他因为很焦虑，你推啤酒给他，可以带着小孩，喝着啤酒，看着球赛，这些都是个性化推荐经过数据挖掘之后推出来的。

    搜索引擎，未来会有更多的个性化出现，像谷歌都在布局一些数据挖掘的东西，他们希望能够做到在你打开谷歌之前，他要猜你到底在找什么东西，他要简化这些动作，加强精准度。

    个性化推荐的技术其实一直在演变，从最早大家用的最简单的就是人口统计的过滤，年龄、性别、属性、地域，以前大概只能做到这个地步，后来开始越来越成熟，做了文本过滤，做什么文章的时候会推相关的东西给你。协同过滤，有点像群体智慧像中国的豆瓣，对音乐的评分偏好归纳出来，你喜欢这个音乐，你喜欢个电影，你可能还喜欢什么东西，这些就是协同过滤，协同过滤透过根据用户对信息的偏好做推荐。协同过滤这个技术的优点，它可以去做一些比较难解析的东西的推荐，比如说音乐、电影，没有办法像文章一样做语音分析，这个技术目前是不到位的，但是透过协同过滤，我们可以去把它当做一个物品找关联性，而且传统的文本过滤，当我看汽车，几乎就是一定会配汽车给我，系统过滤的优点是看尿布，推啤酒，发掘比较不一样的东西。

    协同过滤还是有一些问题的存在的，数据稀疏性的问题，我们网站上有10万篇文章，实际上不是每一篇的数据都是这么的平均分配，会呈现有某几篇热门数据很多，比较容易出现，可是有一些是从头到尾浏览量很低，这些东西很难被翻出来，数据稀疏性的问题。随着你的文章数，用户数，商品数越来越多，性能会越来越低。当这个用户是新造访的，完全没有他的数据，其实很难判断他究竟喜欢什么东西，这时候大家最安全的做法推热门的，推大家点击率高的，这是目前不得不这样做解决的方法。

    协同过滤里面有两种方式，一个叫User-based，一个叫Item-based，User-based就是找出人与人之间的关系，关联性，亚马逊做的是倒过来，亚马逊发现商品的增长数量是比较慢的，可能有300万个商品，每天造访的人是非常多的，可能一下子到上亿人次，反过来用商品做关联性。我们发现商品A跟商品C的关联性很高，所以当你看过商品A被ABC看过之后，会把商品C推给C用户，因为他还没看过，亚马逊的网站，买过这些人的东西可能还会买什么，Item-based是亚马逊非常厉害的技术。

    接下来我讲一下我们乐知智能推荐系统，我们做到是每个人看到的内容不一样的，这是量身打造的，利用技术上的手段去解决这些问题，因为传统的媒体的相关文章推荐有几个做法，第一个是编辑很厉害，手动来处理，他会做推荐的文章。另外一种方式，关键词、标签比对。第三个是Cms自带的功能，我们会进行分析和挖掘，推荐用户真正感兴趣的。我们会有三大数据部分，文本的自然云分析，第二个用户浏览行为的模型建构，他看过什么东西，第三个是社交行为分析，社交行为分析是解决启动的模式，到这个网站可能完全没有数据，他在微博上面有一些相关的动作，这些动作可以拿来当做数据源做分析，我们透过三大数据找出用户的兴趣点。

    自然语言分析是全世界最难处理的东西，因为有空格，很容易找出这个单字，但是中文没有，中文是连在一起的，最多是逗号跟句号。所以在分词技术上，中文必须要有自己的处理一套逻辑，学术界有很多的讨论，有很多的研究，我们可以来使用。分词技术是语言分析很重要的东西，再就是新词的发现，比如说起糕，在新词发现上，你必须要有自己的技术。图片匹配，其实很多的网站，很多的媒体它的文章是没有配图的，但是我们跟很多媒体合作过程中，配图片的文章比光是文章高很多的，一种是我们会帮你智能匹配站内其他有出现的图片，找出比较相关类似帮你配上去，我展示的标题来看，自然语言分析很难处理的标题。

    比如说保时捷设计打造全球最大折叠LED电视，这个用户到底关心什么东西？用户浏览行为会帮到比较大的忙，你可以看他的轨迹，曾经看过什么东西，他过去都在找什么样类似的东西，我去给他做推荐，所以用户浏览行为在这部分做到更强大的补充。社交行为，很多平台都是很开放的，获取很多的信息，知道他转发什么，粉丝是什么，媒体里面做人的关联度然后做推荐，这是目前最擅长的数据挖掘部分，我们一直进行社交媒体API的东西，这是比较有效的模式。

    乐知个性化内容推荐引擎，一个是增加流量，这个对于推荐增加流量来讲是很重要的，它可以挖掘新颖，把过去不错的文章挖掘过来，再就是广告收入。

    使用乐知的客户有：中新网、光明网、中青在线等都在跟我们进行合作。

    在广告投放这部分，其实目前广告，乐知推荐做的就是画出人的兴趣图库每个人看到的广告是会不一样的。我举个例子，这个应该是中国日报，他们在跟我们合作推荐框的时候，在后面会插入相关的广告这些广告会跟媒体做一个分成，对于媒体来讲，他们觉得这是一个双赢的机会，自己开发会相当辛苦，不一定做得到位，需要这个东西，我在提升PD的同时，我也跟他做收入上的变现的分成，他目前对于这个概念非常能够接受，我们也提供整个管理投放后台，看到清楚的收入，这些效果都能看到。

    我们的目的，我们服务广告组，我们也会跟DSP做合作，他们可以把广告投到我们这里来，我们希望品牌把广告给我们，媒体享受流量增加的同时也可以得到额外的收入。我们试过很多方式，你奖励他拉高用户的平均分成比例，自然增加社会化媒体的流，国内媒体的分享比例相对国外来讲还是比较低的，回流量也是低的，facebook一个分享带来9个回流，我们国内是1.5带来3个回流，问题是分享比例，当你把一些微博上的中号引出来以后，带来的回流会造成很不错的效益，这些中号可能他的粉丝几千或者1万出头，有这些中号帮你做这些事情可以带来一定的效益，微积分平台，网站或者广告公司，营销活动，他把钱充值给微积分，当用户分享的时候，如果造成新的回流我们会把积分发给当初分享的网友，我们鼓励这些网民帮你做分享，带来的都是用户拉用户，质量相对比较高。

    我们讲一个比例，设计模式，1人100个微积分，一个成本就是一分钱，而且目前我们做的微积分平台跟支付宝打通，对网友来讲，他们是可以去提现变现或者做手机充值。我们希望广大的网民，广大的社交媒体平台，不管微博还是什么，他们来帮媒体，帮站长你们来做分享，帮你们去带媒体流量。我今天的分享到这里告一段落，谢谢大家！

真心的学到了很多的知识的呢！！

感觉不错的，学到不少的知识的,TKS