综合类新闻(APP)

媒体融合与融媒体发展与研究?

软文与广告,口碑,流量,人气等。

综合类新闻APP内容功能及盈利模式- http://www.jianshu.com/p/b72c595b6cc1#

当下的新闻类app的类型可从内容来看划分成三种类型。

一是综合类新闻APP。

这一类又可细化为两种,一种是多为互联网巨头公司开发及运营,与其原先所有的门户新闻网站一脉相承,为跟随移动互联网发展潮流而开发出的门户新闻移动客户端。比如榜首的腾讯新闻,以及网易新闻,搜狐新闻和新浪新闻等。这些APP由于依靠强大的公司资源及渠道,所以推广起来很快,用户转化率高。第二种则是主要依靠技术进行新闻抓取聚合及个性化推荐与定制的聚合类新闻APP,比如ZAKER,今日头条,一点资讯等。相对于前一种门户类新闻APP来说,这些APP所需的人工编辑少很多,主要依靠技术算法将合适的资讯推荐给用户。开发及运营团队偏技术型。

二是传统媒体新闻APP。

这类APP主要是传统媒体为了适应新媒体发展,作出的应对或者转型,所自主开发的独立APP,有其自身的媒体品牌。财经头条,人民日报,凤凰新闻等等。内容推送主要以其自身传统媒体生产内容为主,当然也会转载其余媒体的内容。除此之外,传统媒体集团还有进一步的转型或改革做法,即抽调人员做独立品牌的互联网新闻产品而不再依靠已有的媒体品牌,比如澎湃新闻及界面新闻,这些新闻类互联网产品依靠媒体单位有自主采访权,一般都主打某个领域的深度高端,可发挥传统媒体生产深度新闻的优势。这样的产品划到第三类也许更好。

三是细分垂直领域的新闻APP。

总体来看前文提到的三类新闻APP,传统媒体独立APP相对综合类新闻APP来说,除非有极高口碑的内容与足够丰富的内容(比如凤凰新闻),否则很容易有环境过于封闭,用户资源有限,品牌效应不足发展用户困难等问题,从而难以与综合类新闻APP抗衡,分到一杯羹。大部分传统媒体还需要依靠综合类新闻APP的平台才能将内容输送给更多受众。而细分的垂直领域新闻APP对于综合类新闻APP的竞争力要更强,许多用户有自己感兴趣的领域,所以每种细分的垂直领域新闻APP都可能会分流一部分用户。加上各媒体在各个社交平台都设立了发布信息的渠道,用户在此基础上若能对重要新闻信息的需求基本感到满足,便会少了安装综合类新闻APP的动机。

了解各综合类新闻APP生存的状态及价值,然后浅析其盈利模式,进而思考其良好发展的方法及方向。

新闻类软文大致分为三个类型:

新闻通稿,这个词对于公关和营销界人士来说,一点都不陌生。新闻通稿来源于传统媒体,所以写作形式与传统媒体一样,也就是消息稿和通讯稿。简而言之,消息稿就是对整个事件进行简单而完整的说明,而通讯稿则是最消息内容的补充,补充的内容可以是背景介绍、事件的介绍或者说是一些相关故事。新闻通稿不要求太多技巧,只要文字流畅、语言准确、层次清晰、逻辑性强,能把事情表述清楚、完整即可。

新闻报道是以媒体的口吻、新闻的手法对某件事情进行报告,甚至直接聘请真正的记者操刀。文章完成后,也会与正常的新闻报道一样,发布到相关媒体的新闻栏目。由于其夹杂在正常新闻中间,且完全用新闻体组织正文结构,让人防不胜防,对于非专业人士根本无从分辨。

媒体访谈。相对于新闻通稿的公式化语言及新闻报道的说教式、单向灌输式内容而言.媒体访谈这种形式更容易让入接受.它由一般新闻的单向灌输向渗透式、感召式、互动式转变。企业与媒体通过访谈聊天的形式表达出来的内容和理念更具亲和力、吸引力和感染力,能够做到以理服人、以情动人。

媒体融合:纸媒如何取舍?- http://media.people.com.cn/n/2015/1204/c14677-27889680.html

日均UV(访问某个站点或点击某条新闻的不同IP地址的人数),总PV(页面浏览量或点击量)。

纸媒与网媒,电子媒体 互联网媒体等。

推荐算法的回顾总结- http://blog.csdn.net/gamer_gyt/article/details/74367714

协同过滤的推荐算法,协同过滤分为基于用户的和基于物品的。

个性化资讯推荐的未来:

个性化资讯产品:先介绍资讯推荐产品是什么,着重分析其业务特点。

个性化推荐方案:接着介绍资讯推荐所需的技术,着重分析其技术难点。

个性化推荐算法:最后介绍业界常用的个性化推荐算法。

资讯推荐产品要解决用户需求很简单,一句就可以概括:为用户找到有趣的资讯。而做到这个需求就要做好两个关键点:

新闻聚合。用户希望在一个产品里获取任何他想要或者可能想要的东西,这就要求产品要聚合其他app、网站、甚至线下媒体里的各种资讯,这也是最基本的一个产品特性。

个性化。要去最大程度地理解、猜测用户的兴趣,结合兴趣为其推荐相关资讯,这是资讯产品后期衍生出来的一个产品特性。

作为国内当红的个性化推荐产品,今日头条技术经历了三个阶段:

1)早期以非个性化推荐为主,重点解决热文推荐和新文推荐,这个阶段对于用户和新闻的刻画粒度也比较粗,并没有大规模运用推荐算法。

2)中期以个性化推荐算法为主,主要基于协同过滤和内容推荐两种方式。协同过滤技术和前面介绍的大同小异,不再赘述。基于内容推荐的方式,则借助传统的NLP、word2vec和LDA对新闻有了更多的刻画,然后利用用户的正反馈(如点击,阅读时长、分享、收藏、评论等)和负反馈(如不感兴趣等)建立用户和新闻标签之间的联系,从而来进行统计建模。

3)当前以大规模实时机器学习算法为主,用到的特征达千亿级别,能做到分钟级更新模型。 架构分为两层(图来自头条架构师的分享):

检索层,有多个检索分支,拉出用户感兴趣的新闻候选;

打分层,基于用户特征、新闻特征、环境特征三大类特征使用实时学习进行建模打分。值得一提的是,实际排序时候并不完全按照模型打分排序,会有一些特定的业务逻辑综合在一起进行最终排序并吐给用户。

媒体融合发展的现状和趋势及思考-

日本报业、韩国报业也纷纷成立24小时滚动新闻报道机构。

国内大多数报纸的应对之策无非四条:一是报纸改革。尽最大努力将报纸办得更加贴近生活、贴近实际、贴近读者,以尽量留住读者,尽量挽回下滑颓势。二是网络转型。几乎每家报纸都办网站,将报纸制成电子版贴在上面,不少报纸开办法人微博、微信公共平台,有些还尝试打入手机新闻客户端,有些开设了电子屏、二维码等。三是兴办实体,多元发展。涉足酒店、房地产、餐饮、物流等三产业,已成为有实力的报业集团的自觉选择。四是停刊休刊。

商业门户不仅掠走了用户和收入,还对报业核心竞争力的资源——人才,进行全面争夺,现在四大商业门户的内容运营,主要依靠来自报业集团的人才。而对报业来说,要想向新媒体转型,重塑竞争优势,必须要有既熟悉内容运作又善于学习运用互联网的高级复合型人才团队,而不幸的是,商业互联网也对这些人才最感兴趣,且薪酬条件和工作环境更有竞争力。

传统媒体与新兴媒体融合发展,大致经历了三个阶段。第一阶段是十多年前最初的报纸电子版阶段。二是网络阶段,比第一阶段的电子版有所拓展和拓宽,增加了相关的内容和信息。三是全媒体阶段,微博、微信、二维码、手机报、手机客户端、电子屏、网络电视等一齐上。全面数字化,导致技术形态上的多元化,不同平台和终端,形成汇合性的产品。同时网络平台为传统媒体增加了互动的可能,将信息接受转变成自己新闻产品的用户。

美国报业先是采用聚合的方式,把各家网站原创的财经类、体育类、生活类和评论类等新闻内容和信息聚合起来,然后针对自己的目标受众进行个性化的定制和传播。人民日报的微博、微信、手机专报、手机客户端、电子阅报屏等多渠道全媒体立体传播。

如重庆日报报业集团立足文化产业,先后启动了重庆广告产业园、重庆印刷产业园、万州三峡中心文化产业园、涪陵文化产业园建设,有力地带动了产业发展。

———————————–

今日头条成功的核心技术秘诀是什么- http://blog.csdn.net/starzhou/article/details/75810141
个性化资讯推荐的未来:
1.个性化资讯产品:先介绍资讯推荐产品是什么,着重分析其业务特点。
2.个性化推荐方案:接着介绍资讯推荐所需的技术,着重分析其技术难点。
3.个性化推荐算法:最后介绍业界常用的个性化推荐算法。
Google News是一款经典的资讯推荐产品,也是后来者竞相模仿的对象。2007年,Google News在www上首次发表论文《Google News Personalization: Scalable Online Collaborative Filtering》公开资讯推荐技术。该论文的做法非常自然、简洁,从论文题目就能看出是CF的落地上线。Google是这样想的:鉴于大家都觉得CF是推荐领域公认的有效算法,那将其直接用在产品上效果自然也不会太差。
Google News在www 2010上放出了《Personalized News Recommendation Based on Click Behavior》。这篇文章重点解决推荐精准性和新资讯的冷启动问题,文章想法也很朴素自然,主要是基于贝叶斯理论进行建模。他们假设用户兴趣有两个方面:个人不断变化的兴趣以及当前新闻热点。在具体建模之前,作者先基于历史数据进行了统计分析,验证了他们的假设,得到如下基本结论:用户的兴趣是随时间变化的,新闻热点也是随时间变化的。还有一个比较比较有趣的结论是不同地区同一时间的新闻热点是不一样的。
方法主要建模用户对当前某类新闻的感兴趣的程度,这取决于两个方面:用户对这类新闻的兴趣度以及当前某类新闻的热度。
Yahoo Today团队2009年在WWW上发表 《Personalized Recommendation on Dynamic Content Using Predictive Bilinear Models》,重点解决资讯推荐里的冷启动问题。不同于上一篇google news的做法,这篇文章试图同时解决新用户和新资讯的冷启动。本文的基本假设:用户画像能刻画用户的阅读兴趣,新闻的画像也可以表示新闻的点击率,而用户喜欢一条新闻的程度则取决于静态预测和动态预测两个方面,都是用feature-based learning方法来建模用户对资讯感兴趣的程度。
2010年,Yahoo又发表了一篇更加有效解决冷启动的文章《A Contextual-Bandit Approach to Personalized News Article Recommendation》。这篇文章基于传统的Explore-Exploit(EE)套路,大家可能比较熟悉的是为新item随机一部分流量让其曝光,得到一些反馈,然后模型才能对其有较好的建模能力,这是最naïve的EE策略。

微软还发表了《A Multi-View Deep Learning Approach for Cross Domain User Modeling in Recommendation Systems》,文章提出了一种有趣的得到user vector的方法,这是一个典型的multi-view learning的方法。现在很多公司都不仅仅只有一个产品,而是有多个产品线。比如微软可能就有搜索、新闻、appstore、xbox等产品,如果将用户在这些产品上的行为(反馈)统一在一起训练一个深度学习网络,就能很好的解决单个产品上(用户)冷启动、稀疏等问题。

— 新闻类 App 内容页的技术实现和优化:
上部分通常用 WebView 实现。常规包括标题 + 作者(关注)+ 资讯内容,我们称为WebView 内容区。
下半部分主要是平行于 WebView 的各种扩展内容,常规包括点赞打赏、广告推广、相关推荐,热门评论等等,我们称为Native 扩展区。

原文链接:https://blog.csdn.net/ShareUs/article/details/77370550?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522165277607816781818782534%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fblog.%2522%257D&request_id=165277607816781818782534&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~blog~first_rank_ecpm_v1~times_rank-28-77370550-null-null.nonecase&utm_term=%E6%96%B0%E9%97%BB

© 版权声明
THE END
喜欢就支持一下吧
点赞0 分享
评论 抢沙发
头像
文明发言,共建和谐米科社区
提交
头像

昵称

取消
昵称表情图片