江苏龙网

  1. 首页 > 资讯 > 科技 > >

『』一财朋友圈·朱逸 | 算法推荐在商业演进中的多重面向


『』一财朋友圈·朱逸 | 算法推荐在商业演进中的多重面向
本文插图

近几年来 ， 以互联网及移动互联网为代表的新媒体、新商业快速发展 ， 公众的消费、阅读、社交等行为逐步全面转向于线上 。 截止2019年6月 ， 网络网民人数已到达8.54亿 ， 网络普及率达到了61.2% 。
如此庞大的网民群体 ， 为各类商业的在线化运行提供了良好的场景、公众基础 ， 商业竞争也变得越发激烈 ， 这对于传统的营销、传播方式提出了新的要求 ， 聚焦于公众的偏好挖掘、粘性增强、触达精准成为了重要指向 ， 算法推荐的商业化应用与普及逐渐渗透于消费、社交、视频、新闻等诸多垂直领域 ， 激发了各界对算法推荐的持续关注与广泛讨论 。
算法推荐的多维类型化
算法推荐相伴于商业的演进 ， 呈现出自身在多维度上的类型化 ， 主要集中于应用领域、算法类型、态度观点三方面 。
有关算法推荐的商业化运用 ， 呈现出垂直化特征 ， 主流的可以划分为5类主要平台 ， 即搜索平台 ， 谷歌与百度；社交平台 ， 微博与微信；文娱平台 ， ****、抖音、快手等；网购平台 ， 淘宝、当当、京东等；生活应用平台 ， 滴滴、美团等 。 各类平台同属于以个体为对象的商业属性 ， 由此决定了算法推荐在现阶段应用的同质化 ， 其领域依然存有局限 。
主流算法则主要分为三类：其一是内容推荐 。 通过挖掘公众在网络中的浏览、互动、购物等行为痕迹信息进行标签分析 ， 构建用户画像 ， 实现讯息与用户画像的匹配 ， 将相似度最高的讯息推送至消费者；其二是协同过滤推荐 。 通过计算多个公众的行为痕迹相似度 ， 锚定与目标公众行为偏好相似的用户集群 ， 将群中的讯息推荐给目标公众 。 其三 ， 排行榜式推荐 。 基于讯息的点击率、阅读、转发、评论、点赞为依据 ， 推送相关的高频讯息 ， 增进公众的接受度 。
在这三类算法中 ， 或基于纯粹的个体行为痕迹、或基于集体的偏好 ， 不同算法背后是对于个体偏好形成的不同理解 ， 看似都是算法推荐 ， 但基于个人意志或集体意志的逻辑有着不同的指向 ， 其直接影响着最终的推荐结果 。
有关算法推荐的商业化运用 ， 各界持有不同的态度与观点 ， 支持的观点体现于赋能、效率、精准等方面 。 而反对的意见 ， 则主要体现于“信息茧房” ， 约束个体的讯息获取及群体固化 。 这两类定性化的论断 ， 有着较为广泛的讨论 ， 但始终未有定论 。 对于算法推荐的认知 ， 并非是简单的好与坏、对与错的定性化判断 ， 而需多维的观察 ， 关键是对于其利弊的有效甄别与选择性运用 ， 以挖掘可优化的要素 ， 支撑下一阶段的发展 。
在此尝试搁置单向度的积极或消极论断 ， 采用中间立场来再度认识与理解算法推荐在商业运用中的实践场域 ， 选择面向于商业效率、算法选择、态度观点多元维度进行观察与分析 。
面向于商业效率的本质
算法推荐对于商业的意义在于效率的提升 ， 公众对于各类商业模式、运营方法的改变 ， 在相应的反馈意见上存在着差异 。 同时 ， 伴随着使用场景的不同 ， 其态度呈现出起伏与转向 ， 因而简单判断算法推荐的优与劣 ， 较难反映出普遍性趋势 。
传统商业基于单向度的讯息传递 ， 体现的是以商品、服务为中心的关注 。 由于线下场景的限制 ， 抑制了多主体间的持续性互动 。 网络空间为实现彼此间的双向互动提供了场所便利 ， 也由此逐步转向于以公众为中心的内容生产 ， 这为传统商业提供了加载更多服务与模式的可能 。 推荐算法则根植于网络商业中的底层技术 ， 其价值在于对过往商业效率的改善与提升 ， 具体表现为讯息的精准触达、公众偏好的理解、商品与服务的迭代等 ， 促使了商品、服务、社交在多元主体间的顺畅与高效 。
在强调商业效率提升的同时 ， 也需关注到算法推荐对于商业运用领域的覆盖 。 当前各类平台、模式及受众都具有一定的同质性局限 ， 即以个体公众(to C)为中心的应用场景 ， 在领域上呈现出垂直化 ， 覆盖面依然较窄 。 而对于集体、组织、群体为对象（to B）的生产、流通等领域应用 ， 值得进一步思考与探索 。 对于应用领域的突破 ， 是算法推荐在商业效率方面实现整体性提升的关键 ， 但目前在此方面依然存有束缚 。 当前 ， 是消费互联网转向于产业互联网的关键时期 ， 匹配产业互联网的相关算法推荐应用 ， 会是契合于产业转型与发展的重要突破口 。


推荐阅读


上一篇：『』迷你杯登场超低价5G手机Redmi K30i曝光

下一篇：■看GAN如何一步步控制图像生成风格？详解StyleGAN进化过程