情報フロー広告はどのように作られるか（情報フロー商品はどのように作られるか）

情報フロー製品はどのように作られるのでしょうか?

今日では、情報の流れという製品形態は私たちの生活に浸透し、あらゆるものと密接に関係しています。毎朝、Toutiao を開くと、読むのを待っているホットなニュースがたくさん表示されます。休憩中にXiaohongshuをクリックすると、数え切れないほどのコメントが目に入ります。食事の時間にお腹が空いたら、Dianpingをクリックすると、街中の無数のレストランがあなたの選択を待っています...今日のモバイルインターネット時代では、プラットフォームは成熟した洗練されたリコールアルゴリズムとソートルールを通じてコン​​テンツを集約し、ユーザーが興味のあるコンテンツを1ページで効率的かつスムーズに取得できるようにしています。

前回の記事では、情報フローコンテンツ製品の指標構築、一般的な分析アイデア、最適化方法について説明しました。では、最も基本的な情報フロー製品を構築するにはどのような部分が必要でしょうか?各モジュールはどのように動作し、どのような機能がありますか?今日の記事を読めば、あなたが知りたい答えが分かります。

最も基本的な情報フロー製品はどの部分をカバーしますか?

1. コンテンツ: コンテンツ制作、コンテンツ理解、コンテンツ処理

2. ユーザー: ユーザーの理解

3. 戦略：リコール/推奨戦略、流通戦略、エコ戦略

この図は、情報フロー製品を構築するために必要な基本的なフレームワークです。次に、各モジュールの具体的な操作と対応する機能を一つずつ分析していきます。

1. コンテンツ制作

コンテンツ制作とは、コンテンツの提供を指します。需要があるところには供給があるはずです。供給が十分である場合にのみ、ユーザーは十分に多様で刺激的なコンテンツを消費できます。通常、コンテンツを制作する方法はいくつかあります。

1. 自然なクリエイターがサイトにコンテンツを公開する

2. メディアやMCN組織と契約を結び、クリエイターやコンテンツリソースを購入する

3. トーンに一致する他のプラットフォームからコンテンツをキャプチャします。

製品のターゲット段階が異なれば、ソースタイプの含有量比率も異なります。成熟したプラットフォームの中には、クリエイターのライフサイクル管理とクリエイターのインセンティブ/共有の非常に包括的なシステムをすでに備えているものもあり、クリエイターがより多くの、より良いコンテンツを公開することを奨励できます。コンテンツ供給がコンテンツベースの製品の基盤であることがわかります。

2. コンテンツの理解

コンテンツを理解するということは、コンテンツにラベルを付けることを意味します。タグ - コンテンツ自体の特性を説明します。これにより、コンテンツをより深く理解し、適切なユーザーに適切なコンテンツを推奨できるようになります。コンテンツ理解に基づくタグには多くの用途があります。新規ユーザーにコンテンツを推奨するだけでなく、類似のタグに基づいて関連コンテンツを推奨したり、パーソナライズされたコンテンツを推奨したりすることもできます。大量のタグを通じてコン​​テンツの特徴が生成され、ユーザーの好みとマッチングされ、各個人に合わせたコンテンツ配信方法が形成されます。

コンテンツを理解するには、ラベルの正確性を確保するために、多数の NLP メソッドと大量の手動注釈が必要です。コンテンツは通常、コンテンツ自体と、それを公開した著者の属性/行動から理解できます。たとえば、短いビデオ作品には次のようなタグが含まれる場合があります。

1. 基本属性: 期間、カバー画像、タイトル、キーワード、都市、ソースなど。

2. カテゴリ属性: 都市ニュース、エンターテイメント、猫と犬など。

3. 予測属性：独創性、リスクスコア、コンテンツ評価、コンテンツの適時性、少女の好み、若者の好みなど。

3. コンテンツ処理

コンテンツが何らかのチャネルを通じてキャプチャされたものか、何らかのサイトから抽出されたものか、あるいはプラットフォームの作成者によって独自に投稿されたものかに関係なく、通常は何層もの処理とフィルタリングを経る必要があります。まず、一般的な重複排除が実行され、次にいくつかの機械レビューモデルと手動レビューを使用して、ブラックリストに登録されたコンテンツ、低品質のコンテンツ、盗作されたコンテンツ、不完全なコンテンツ、ポルノや暴力的なコンテンツ、およびプラットフォームでの表示に適さないその他のコンテンツを除外します。次に、コンテンツを配信およびフィルタリングする際に、対応するルールに従って、配信フィルタリングのユーザー評価スコア、垂直カテゴリなど、対応する特性を持つコンテンツを対応する特性を持つユーザーに配信できるというルールを設定します。フロントエンドの表示側では、チャンネルのメインフィードページのおすすめ順位に基づいてパーソナライズされたおすすめが割り当てられ、ユーザーに表示されます。最後に、一定期間が経過すると、コンテンツはタイムリーさを失い、表示されなくなります。

4. ユーザーの理解

ユーザー理解とは、ユーザーの基本情報、職業、年齢、性別などに加え、過去の行動データに基づいた興味・嗜好ラベルなど、ユーザーを正確に特徴付けることを意味します。これらのデータから、多数のユーザー特性を取得し、ユーザーをより深く理解することができます。たとえば、このユーザーはどのような種類のコンテンツを好むでしょうか?どのようなタイプのアカウントから投稿することを好みますか?あなたは一日のうちどの時間帯に活動していますか?これに基づいて、さまざまな側面からユーザーを特徴付けることができます。特性評価が正確かつ詳細であればあるほど、ユーザーのニーズをより正確に発見して調査し、ユーザーが必要とするコンテンツをターゲットユーザーに推奨できるようになります。コンテンツの変換効率が高まります。

5. 推奨と配信戦略

推奨戦略は、膨大なデータ分析に基づいています。コンテンツとユーザーの多次元特徴のスコアを計算し、該当するユーザーにパーソナライズされたコンテンツを推奨することで、情報過多の問題を解決します。推奨は通常、リコールとランキングの 2 つの段階に分かれています。リコールとは、大規模なコンテンツ プールからコンテンツ コレクションを選択し、ユーザーの特性設定や特別なルールに基づいてプッシュするコンテンツを定義することです。一般的に使用されるリコール方法には、FM モデルベースの複合機能リコール、動作ベースのアイテム協調フィルタリング、動作ベースのユーザー協調フィルタリングなどがあります。リコール プールにはユーザーが興味を持っているコンテンツが含まれており、ソート ステージではこれに基づいてより正確な計算を実行し、各コンテンツにスコアを付けて、リコール プールからユーザーが最も興味を持っている少量のコンテンツを選択します。

コンテンツ配信方法では、推奨アルゴリズムに加えて、コンテンツの多様性などの要素も考慮する必要があります。コンテンツエコロジーを考慮し、さまざまな次元からコンテンツクリエイターを抑制・推進し、高品質なコンテンツクリエイターにより多くのトラフィックを割り当て、トラフィックの利用効率と消費コンテンツの品質を向上させることができます。たとえば、独創性評価と品質評価が高い著者には、より多くのトラフィックが与えられます。さらに、ソーシャル（TikTokのフォローページチャンネル）や地理的位置（TikTokのローカルチャンネルやホットリストコンテンツ配信）に基づいて配信することもできます。

VI.生態学的戦略

初期の製品がコールドスタートした当時は、コンテンツとクリエイターの数が十分ではなく、オンサイトのエコシステムを活性化するには外部の手段が必要でした。その結果、大量のオフサイトコンテンツをサイトにクロールする必要があり、コンテンツの品質を保証できなくなりました。しかし、製品の開発に伴い、オリジナルのキャプチャコンテンツを置き換えるための高品質でオリジナルなコンテンツのバッチが緊急に必要となり、サイトにはより多くの実在の高品質なクリエイターが集まり、より健全で持続可能な著者とコンテンツのエコロジーを構築できるようになります。 UGCの制作は、いくつかの運営活動、MCN/公式募集への署名、コミュニティコンテンツ指導などを通じて促進することができます。同時に、対応する戦略は、トッププロデューサーのコンテンツ権益を確保し、最下位の低品質クリエイターのコンテンツを抑制し、さまざまな手段を使用してさまざまなレベルの低品質/違反を取り締まり、最終的にサイト内の好循環エコロジーを維持するためのものです。

私たちは、サイト上の違法ユーザーや違法コンテンツに対処するだけでなく、いくつかの限界的な生態学的問題に対応する介入戦略を開発する必要もあります。ウェブサイトに下品な内容、否定的な内容、誇大宣伝的な内容などが大量に含まれている場合、これらの内容は違法ではありませんが、その量が多すぎると、ユーザーの閲覧体験に重大な影響を及ぼします。当社では、現在の製品段階とトーンに基づいて、モデルと手動の方法を使用してさまざまな生態学的問題のあるコンテンツを特定し、対応する廃棄とルール設定を実施して、サイト上の健全でポジティブなコンテンツ生態学を維持します。

上記は、情報フローコンテンツ製品の主要なフレームワークについての私の理解であり、詳細は他にもたくさんあります。

著者: Zhao Daluo は、Kuaishou Community のデータ アナリストであり、ByteDance の元データ アナリストであり、シニア データ アナリストです。主にインターネットのデータ分析、方法論、レビュー、思考の要約について執筆しています。