第二個是對用戶屬性變化，這裡包括基本的用戶年齡、職業、性別，最重要的一個是對用戶使用場景的一個標准化。這個場景其實是非常不一樣的，是非常重要的一個地方。傳統大家說，比如說用戶畫像，更多是興趣和屬性，但是實際上用戶的興趣並不單單只是興趣，更多是在使用場景。

比如說王寶強事件，平時不關注娛樂的人，他可能都會扒一扒這個事情的進展。女排事件也是非常典型的，女排發生之后，很多人平時可能看女排很少，但是在今天這個事情發生之后，所有人都希望吼一句，助威一句，不同場景用戶行為不一樣的，所以怎麼樣識別用戶在不同場景下的閱讀行為。這裡包括你的閱讀位置，地理位置。比如說像我，我老家在湖北，我自己在北京工作，我除了關心北京本身的一些事情，同時我也非常關注我家裡的事情，怎麼樣把你這個人，你的家鄉，你的生活地，你的居住地，能夠區分出來，是非常關鍵的。

我們現在正在做一個特別有意思的案例，怎麼樣區分？北京回龍觀宇宙中心技術互聯網鎮的一個行為的收集，怎麼樣把這個小鎮裡面用戶所有大大小小的事情，你關注哪個小區又發生什麼事情，第一時間觸達用戶，這個事我們在這裡面做了非常多的努力工作。

說完前面的用戶畫像的標准化和用戶畫像的採集，另外一個是我們說的，推薦算法體系。推薦算法也是基於用戶畫像和用戶閱讀行為，並且以機器方式分析好用戶本身興趣進行分發。剛剛也提到過，用戶興趣不是持續存在的。

比如說當你去買房子的時候，你可能特別關注房價。當你去買車的時候，你可能對車子的信息特別感興趣。但是過了這個時間，你可能就不感興趣了。這段時間周期該怎麼識別，需要非常多的努力。

另外還包括隨機的興趣，當一個事情發生之后，大家可能都會特別關注，都會扒兩句這種普世性興趣都存在，你不能因為用戶普世性興趣決定用戶對這個事情感興趣。比如說他看了王寶強事件，他是不是對娛樂感興趣？不一定，如果在這裡邊做甄別？我們解決方案主要是三個大的程度：“第一個是內容的關聯度，第二個是興趣的關聯度，第三個是場景的關聯度”。

內容的關聯度主要是保証，讓內容與用戶點擊行為做匹配，第二個興趣關注度主要保証用戶閱讀興趣和閱讀標簽，能夠和內容的標簽進行匹配。第三個就是對用戶場景的收集，包括他的地理位置，包括他的一些持續的閱讀時間，是早上讀還是中午讀還是晚上讀，這種不同的閱讀的場景，進行收集，進行控制。所以說這三個關聯度，是我們做整個推薦算法的最關注的體系。

與此同時，對用戶興趣的收集和用戶關聯度這種收集，主要是通過協同推薦的算法，和內容精編的體系，目的打破信息傳播壁壘，讓用戶對當前場景下最感興趣的內容，即使推送給自己，這個時候會讓用戶有一種驚喜感和喜愛感。比如說當我在家裡，給我推送一條我自己小區，或者我自己老家的一條消息的時候，這個時候的感覺，其實給我看大而全的新聞，這種感覺是完全不一樣的。

所以我們希望，通過對用戶場景和用戶喜好的持續分析和持續的解讀能力，讓整個用戶的閱讀行為更加完善，用戶閱讀的喜好更加全面。

以上就是我對內容生產到內容發現和監控，和內容分發這三個領域騰訊具體的做法，希望對大家有借鑒意義，謝謝！

分享讓更多人看到