? 媒體融合與融媒體發(fā)展與研究？

軟文與廣告，口碑，流量，人氣等。
綜合類新聞APP內(nèi)容功能及盈利模式- http://www.jianshu.com/p/b72c595b6cc1#
當(dāng)下的新聞?lì)恆pp的類型可從內(nèi)容來看劃分成三種類型。
一是綜合類新聞APP。
這一類又可細(xì)化為兩種，一種是多為互聯(lián)網(wǎng)巨頭公司開發(fā)及運(yùn)營，與其原先所有的門戶新聞網(wǎng)站一脈相承，為跟隨移動(dòng)互聯(lián)網(wǎng)發(fā)展潮流而開發(fā)出的門戶新聞移動(dòng)客戶端。比如榜首的騰訊新聞，以及網(wǎng)易新聞，搜狐新聞和新浪新聞等。這些APP由于依靠強(qiáng)大的公司資源及渠道，所以推廣起來很快，用戶轉(zhuǎn)化率高。第二種則是主要依靠技術(shù)進(jìn)行新聞抓取聚合及個(gè)性化推薦與定制的聚合類新聞APP，比如ZAKER，今日頭條，一點(diǎn)資訊等。相對于前一種門戶類新聞APP來說，這些APP所需的人工編輯少很多，主要依靠技術(shù)算法將合適的資訊推薦給用戶。開發(fā)及運(yùn)營團(tuán)隊(duì)偏技術(shù)型。
二是傳統(tǒng)媒體新聞APP。
這類APP主要是傳統(tǒng)媒體為了適應(yīng)新媒體發(fā)展，作出的應(yīng)對或者轉(zhuǎn)型，所自主開發(fā)的獨(dú)立APP，有其自身的媒體品牌。財(cái)經(jīng)頭條，人民日報(bào)，鳳凰新聞等等。內(nèi)容推送主要以其自身傳統(tǒng)媒體生產(chǎn)內(nèi)容為主，當(dāng)然也會(huì)轉(zhuǎn)載其余媒體的內(nèi)容。除此之外，傳統(tǒng)媒體集團(tuán)還有進(jìn)一步的轉(zhuǎn)型或改革做法，即抽調(diào)人員做獨(dú)立品牌的互聯(lián)網(wǎng)新聞產(chǎn)品而不再依靠已有的媒體品牌，比如澎湃新聞及界面新聞，這些新聞?lì)惢ヂ?lián)網(wǎng)產(chǎn)品依靠媒體單位有自主采訪權(quán)，一般都主打某個(gè)領(lǐng)域的深度高端，可發(fā)揮傳統(tǒng)媒體生產(chǎn)深度新聞的優(yōu)勢。這樣的產(chǎn)品劃到第三類也許更好。
三是細(xì)分垂直領(lǐng)域的新聞APP。
比如體育類有虎撲，互聯(lián)網(wǎng)資訊有36氪，虎嗅等，時(shí)政類澎湃新聞，還有財(cái)經(jīng)類、娛樂類、科技類、文藝類等等。
? 總體來看前文提到的三類新聞APP，傳統(tǒng)媒體獨(dú)立APP相對綜合類新聞APP來說，除非有極高口碑的內(nèi)容與足夠豐富的內(nèi)容（比如鳳凰新聞），否則很容易有環(huán)境過于封閉，用戶資源有限，品牌效應(yīng)不足發(fā)展用戶困難等問題，從而難以與綜合類新聞APP抗衡，分到一杯羹。大部分傳統(tǒng)媒體還需要依靠綜合類新聞APP的平臺(tái)才能將內(nèi)容輸送給更多受眾。而細(xì)分的垂直領(lǐng)域新聞APP對于綜合類新聞APP的競爭力要更強(qiáng)，許多用戶有自己感興趣的領(lǐng)域，所以每種細(xì)分的垂直領(lǐng)域新聞APP都可能會(huì)分流一部分用戶。加上各媒體在各個(gè)社交平臺(tái)都設(shè)立了發(fā)布信息的渠道，用戶在此基礎(chǔ)上若能對重要新聞信息的需求基本感到滿足，便會(huì)少了安裝綜合類新聞APP的動(dòng)機(jī)。
? 了解各綜合類新聞APP生存的狀態(tài)及價(jià)值，然后淺析其盈利模式，進(jìn)而思考其良好發(fā)展的方法及方向。

新聞?lì)愜浳拇笾路譃槿齻€(gè)類型：
? 新聞通稿，這個(gè)詞對于公關(guān)和營銷界人士來說，一點(diǎn)都不陌生。新聞通稿來源于傳統(tǒng)媒體，所以寫作形式與傳統(tǒng)媒體一樣，也就是消息稿和通訊稿。簡而言之，消息稿就是對整個(gè)事件進(jìn)行簡單而完整的說明，而通訊稿則是最消息內(nèi)容的補(bǔ)充，補(bǔ)充的內(nèi)容可以是背景介紹、事件的介紹或者說是一些相關(guān)故事。新聞通稿不要求太多技巧，只要文字流暢、語言準(zhǔn)確、層次清晰、邏輯性強(qiáng)，能把事情表述清楚、完整即可。
? 新聞報(bào)道是以媒體的口吻、新聞的手法對某件事情進(jìn)行報(bào)告，甚至直接聘請真正的記者操刀。文章完成后，也會(huì)與正常的新聞報(bào)道一樣，發(fā)布到相關(guān)媒體的新聞欄目。由于其夾雜在正常新聞中間，且完全用新聞體組織正文結(jié)構(gòu)，讓人防不勝防，對于非專業(yè)人士根本無從分辨。
? 媒體訪談。相對于新聞通稿的公式化語言及新聞報(bào)道的說教式、單向灌輸式內(nèi)容而言.媒體訪談這種形式更容易讓入接受.它由一般新聞的單向灌輸向滲透式、感召式、互動(dòng)式轉(zhuǎn)變。企業(yè)與媒體通過訪談聊天的形式表達(dá)出來的內(nèi)容和理念更具親和力、吸引力和感染力，能夠做到以理服人、以情動(dòng)人。
媒體融合：紙媒如何取舍？- http://media.people.com.cn/n/2015/1204/c14677-27889680.html
日均UV（訪問某個(gè)站點(diǎn)或點(diǎn)擊某條新聞的不同IP地址的人數(shù)），總PV（頁面瀏覽量或點(diǎn)擊量）。
紙媒與網(wǎng)媒，電子媒體 互聯(lián)網(wǎng)媒體等。

推薦算法的回顧總結(jié)- http://blog.csdn.net/gamer_gyt/article/details/74367714
協(xié)同過濾的推薦算法,協(xié)同過濾分為基于用戶的和基于物品的。
個(gè)性化資訊推薦的未來:
個(gè)性化資訊產(chǎn)品：先介紹資訊推薦產(chǎn)品是什么，著重分析其業(yè)務(wù)特點(diǎn)。
個(gè)性化推薦方案：接著介紹資訊推薦所需的技術(shù)，著重分析其技術(shù)難點(diǎn)。
個(gè)性化推薦算法：最后介紹業(yè)界常用的個(gè)性化推薦算法。

資訊推薦產(chǎn)品要解決用戶需求很簡單，一句就可以概括：為用戶找到有趣的資訊。而做到這個(gè)需求就要做好兩個(gè)關(guān)鍵點(diǎn)：
新聞聚合。用戶希望在一個(gè)產(chǎn)品里獲取任何他想要或者可能想要的東西，這就要求產(chǎn)品要聚合其他app、網(wǎng)站、甚至線下媒體里的各種資訊，這也是最基本的一個(gè)產(chǎn)品特性。?
個(gè)性化。要去最大程度地理解、猜測用戶的興趣，結(jié)合興趣為其推薦相關(guān)資訊，這是資訊產(chǎn)品后期衍生出來的一個(gè)產(chǎn)品特性。?

作為國內(nèi)當(dāng)紅的個(gè)性化推薦產(chǎn)品，今日頭條技術(shù)經(jīng)歷了三個(gè)階段：
1）早期以非個(gè)性化推薦為主，重點(diǎn)解決熱文推薦和新文推薦，這個(gè)階段對于用戶和新聞的刻畫粒度也比較粗，并沒有大規(guī)模運(yùn)用推薦算法。
2）中期以個(gè)性化推薦算法為主，主要基于協(xié)同過濾和內(nèi)容推薦兩種方式。協(xié)同過濾技術(shù)和前面介紹的大同小異，不再贅述。基于內(nèi)容推薦的方式，則借助傳統(tǒng)的NLP、word2vec和LDA對新聞?dòng)辛烁嗟目坍?#xff0c;然后利用用戶的正反饋（如點(diǎn)擊，閱讀時(shí)長、分享、收藏、評論等）和負(fù)反饋（如不感興趣等）建立用戶和新聞標(biāo)簽之間的聯(lián)系，從而來進(jìn)行統(tǒng)計(jì)建模。
3）當(dāng)前以大規(guī)模實(shí)時(shí)機(jī)器學(xué)習(xí)算法為主，用到的特征達(dá)千億級別，能做到分鐘級更新模型。 架構(gòu)分為兩層（圖來自頭條架構(gòu)師的分享）：
檢索層，有多個(gè)檢索分支，拉出用戶感興趣的新聞候選；
打分層，基于用戶特征、新聞特征、環(huán)境特征三大類特征使用實(shí)時(shí)學(xué)習(xí)進(jìn)行建模打分。值得一提的是，實(shí)際排序時(shí)候并不完全按照模型打分排序，會(huì)有一些特定的業(yè)務(wù)邏輯綜合在一起進(jìn)行最終排序并吐給用戶。

媒體融合發(fā)展的現(xiàn)狀和趨勢及思考- http://blog.sina.com.cn/s/blog_4adec0990102e5jl.html
? ? 日本報(bào)業(yè)、韓國報(bào)業(yè)也紛紛成立24小時(shí)滾動(dòng)新聞報(bào)道機(jī)構(gòu)。
? 國內(nèi)大多數(shù)報(bào)紙的應(yīng)對之策無非四條：一是報(bào)紙改革。盡最大努力將報(bào)紙辦得更加貼近生活、貼近實(shí)際、貼近讀者，以盡量留住讀者，盡量挽回下滑頹勢。二是網(wǎng)絡(luò)轉(zhuǎn)型。幾乎每家報(bào)紙都辦網(wǎng)站，將報(bào)紙制成電子版貼在上面，不少報(bào)紙開辦法人微博、微信公共平臺(tái)，有些還嘗試打入手機(jī)新聞客戶端，有些開設(shè)了電子屏、二維碼等。三是興辦實(shí)體，多元發(fā)展。涉足酒店、房地產(chǎn)、餐飲、物流等三產(chǎn)業(yè)，已成為有實(shí)力的報(bào)業(yè)集團(tuán)的自覺選擇。四是停刊休刊。
? 商業(yè)門戶不僅掠走了用戶和收入，還對報(bào)業(yè)核心競爭力的資源——人才，進(jìn)行全面爭奪，現(xiàn)在四大商業(yè)門戶的內(nèi)容運(yùn)營，主要依靠來自報(bào)業(yè)集團(tuán)的人才。而對報(bào)業(yè)來說，要想向新媒體轉(zhuǎn)型，重塑競爭優(yōu)勢，必須要有既熟悉內(nèi)容運(yùn)作又善于學(xué)習(xí)運(yùn)用互聯(lián)網(wǎng)的高級復(fù)合型人才團(tuán)隊(duì)，而不幸的是，商業(yè)互聯(lián)網(wǎng)也對這些人才最感興趣，且薪酬條件和工作環(huán)境更有競爭力。
? 傳統(tǒng)媒體與新興媒體融合發(fā)展，大致經(jīng)歷了三個(gè)階段。第一階段是十多年前最初的報(bào)紙電子版階段。二是網(wǎng)絡(luò)階段，比第一階段的電子版有所拓展和拓寬，增加了相關(guān)的內(nèi)容和信息。三是全媒體階段，微博、微信、二維碼、手機(jī)報(bào)、手機(jī)客戶端、電子屏、網(wǎng)絡(luò)電視等一齊上。全面數(shù)字化，導(dǎo)致技術(shù)形態(tài)上的多元化，不同平臺(tái)和終端，形成匯合性的產(chǎn)品。同時(shí)網(wǎng)絡(luò)平臺(tái)為傳統(tǒng)媒體增加了互動(dòng)的可能，將信息接受轉(zhuǎn)變成自己新聞產(chǎn)品的用戶。
? 美國報(bào)業(yè)先是采用聚合的方式，把各家網(wǎng)站原創(chuàng)的財(cái)經(jīng)類、體育類、生活類和評論類等新聞內(nèi)容和信息聚合起來，然后針對自己的目標(biāo)受眾進(jìn)行個(gè)性化的定制和傳播。人民日報(bào)的微博、微信、手機(jī)專報(bào)、手機(jī)客戶端、電子閱報(bào)屏等多渠道全媒體立體傳播。

? 如重慶日報(bào)報(bào)業(yè)集團(tuán)立足文化產(chǎn)業(yè)，先后啟動(dòng)了重慶廣告產(chǎn)業(yè)園、重慶印刷產(chǎn)業(yè)園、萬州三峽中心文化產(chǎn)業(yè)園、涪陵文化產(chǎn)業(yè)園建設(shè)，有力地帶動(dòng)了產(chǎn)業(yè)發(fā)展。?

-----------------------------------

今日頭條成功的核心技術(shù)秘訣是什么- http://blog.csdn.net/starzhou/article/details/75810141
? 個(gè)性化資訊推薦的未來：
1.個(gè)性化資訊產(chǎn)品：先介紹資訊推薦產(chǎn)品是什么，著重分析其業(yè)務(wù)特點(diǎn)。
2.個(gè)性化推薦方案：接著介紹資訊推薦所需的技術(shù)，著重分析其技術(shù)難點(diǎn)。
3.個(gè)性化推薦算法：最后介紹業(yè)界常用的個(gè)性化推薦算法。
? Google News是一款經(jīng)典的資訊推薦產(chǎn)品，也是后來者競相模仿的對象。2007年，Google News在www上首次發(fā)表論文《Google News Personalization: Scalable Online Collaborative Filtering》公開資訊推薦技術(shù)。該論文的做法非常自然、簡潔，從論文題目就能看出是CF的落地上線。Google是這樣想的：鑒于大家都覺得CF是推薦領(lǐng)域公認(rèn)的有效算法，那將其直接用在產(chǎn)品上效果自然也不會(huì)太差。
? Google News在www 2010上放出了《Personalized News Recommendation Based on Click Behavior》。這篇文章重點(diǎn)解決推薦精準(zhǔn)性和新資訊的冷啟動(dòng)問題，文章想法也很樸素自然，主要是基于貝葉斯理論進(jìn)行建模。他們假設(shè)用戶興趣有兩個(gè)方面：個(gè)人不斷變化的興趣以及當(dāng)前新聞熱點(diǎn)。在具體建模之前，作者先基于歷史數(shù)據(jù)進(jìn)行了統(tǒng)計(jì)分析，驗(yàn)證了他們的假設(shè)，得到如下基本結(jié)論：用戶的興趣是隨時(shí)間變化的，新聞熱點(diǎn)也是隨時(shí)間變化的。還有一個(gè)比較比較有趣的結(jié)論是不同地區(qū)同一時(shí)間的新聞熱點(diǎn)是不一樣的。
? 方法主要建模用戶對當(dāng)前某類新聞的感興趣的程度，這取決于兩個(gè)方面：用戶對這類新聞的興趣度以及當(dāng)前某類新聞的熱度。
? Yahoo Today團(tuán)隊(duì)2009年在WWW上發(fā)表 《Personalized Recommendation on Dynamic Content Using Predictive Bilinear Models》，重點(diǎn)解決資訊推薦里的冷啟動(dòng)問題。不同于上一篇google news的做法，這篇文章試圖同時(shí)解決新用戶和新資訊的冷啟動(dòng)。本文的基本假設(shè)：用戶畫像能刻畫用戶的閱讀興趣，新聞的畫像也可以表示新聞的點(diǎn)擊率，而用戶喜歡一條新聞的程度則取決于靜態(tài)預(yù)測和動(dòng)態(tài)預(yù)測兩個(gè)方面，都是用feature-based learning方法來建模用戶對資訊感興趣的程度。
? 2010年，Yahoo又發(fā)表了一篇更加有效解決冷啟動(dòng)的文章《A Contextual-Bandit Approach to Personalized News Article Recommendation》。這篇文章基于傳統(tǒng)的Explore-Exploit(EE)套路，大家可能比較熟悉的是為新item隨機(jī)一部分流量讓其曝光，得到一些反饋，然后模型才能對其有較好的建模能力，這是最na?ve的EE策略。

? 微軟還發(fā)表了《A Multi-View Deep Learning Approach for Cross Domain User Modeling in Recommendation Systems》，文章提出了一種有趣的得到user vector的方法，這是一個(gè)典型的multi-view learning的方法。現(xiàn)在很多公司都不僅僅只有一個(gè)產(chǎn)品，而是有多個(gè)產(chǎn)品線。比如微軟可能就有搜索、新聞、appstore、xbox等產(chǎn)品，如果將用戶在這些產(chǎn)品上的行為（反饋）統(tǒng)一在一起訓(xùn)練一個(gè)深度學(xué)習(xí)網(wǎng)絡(luò)，就能很好的解決單個(gè)產(chǎn)品上（用戶）冷啟動(dòng)、稀疏等問題。

-- 新聞?lì)?App 內(nèi)容頁的技術(shù)實(shí)現(xiàn)和優(yōu)化：
? 上部分通常用 WebView 實(shí)現(xiàn)。常規(guī)包括標(biāo)題 + 作者（關(guān)注）+ 資訊內(nèi)容，我們稱為WebView 內(nèi)容區(qū)。
? 下半部分主要是平行于 WebView 的各種擴(kuò)展內(nèi)容，常規(guī)包括點(diǎn)贊打賞、廣告推廣、相關(guān)推薦，熱門評論等等，我們稱為Native 擴(kuò)展區(qū)。

總結(jié)

以上是生活随笔為你收集整理的综合类新闻（APP）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。