1、內容生產：源頭活水

如何生產內容是一切故事的開始，也許早期的時候僱用一個編輯從海量的互聯網搜索內容然後搬運到自己的平台上，就完成了自己平台的內容構建。但是這種模式隨著商業和法律的完善必定走不下去的，自己從頭開始合法合規地搭建內容生產體系才具有持久發展的可能性。

內容的來源可以大致分為三類：UGC，PGC，外部轉載。

（1）UGC

UGC是英文User Generated Content的簡稱，即用戶生產的內容。UGC是互聯網尤其是web 2.0以來最重要的果實，可以說互聯網的發展史就是UGC的發展史，我們現在離不開的博客、論壇、社區、自媒體都是UGC。

撬動用戶為平台來生產內容是非常難做的一件事情，但如果成功建立了UGC機制也會讓產品走向正循環。目前典型的UGC產品是：知乎（社區）、簡書（博客）、荔枝FM（有聲電台）……UGC的核心問題是如何構建用戶激勵機制，讓用戶生產內容，這是另外一個議題，這裡暫且不表。

（2）PGC

PGC是英文Professional Generated Content的簡稱，中文即專業人士（機構）生產內容。這意味著內容生產者在該領域具有專業的能力和知識，PGC也是傳統行業最重要的內容來源，例如報社的記者、電視台製作團隊等專業從業人員給讀者/觀眾生產內容。

在互聯網時代PGC的比重並沒有那麼高，但也不容忽視，例如門戶網站的內容都是由專業團隊生產的。PGC內容適用於對專業性有要求、門檻較高的平台，例如視頻節目、優質電台節目、大眾音樂平台，只有專業人士才能生產出用戶喜愛的內容。

（3）外部轉載

這似乎是最輕鬆的內容生產方式了，蠻荒時代有許多企業便是通過這種方式輕鬆地累積了大量用戶。目前版權保護和侵權打擊逐漸加強，任意抄襲轉載不再會如此猖獗，如果你想要運營一個正規的產品，沒法再走盜版轉載的路線了。但並不是說這種渠道已經不再可行，通過正規渠道聯繫授權得到作者許可，還是可以轉載外部的內容的，不過這是一種不穩定的內容生產方式，只能在早期的時候解決內容缺乏的問題，長期而言必須要有自己穩定的內容生產來源。

2、入庫管理：管理海量內容的基建工程

內容少是煩惱，內容多其實也是煩惱。海量的內容並不是隨意堆砌在一起就可以的，如果沒有良好的結構把海量內容保存起來，所有內容都是一堆無法使用的「垃圾」。就像宜家的庫存管理一樣，內容同樣是需要入庫管理的。

（1）結構化信息處理

一個產品的內容一般式具有相似性的，也即可以抽取其中的結構化信息，以便機器的保存和運營人員的管理。以音樂為例，音樂的直觀表現形式是一首首歌曲，進一步分解之後，一首作品的結構化信息有：演唱者、唱片公司、專輯名稱、發行日期……等等。對於音樂作品，運營人員並不是把音頻文件一股腦地塞進硬碟里就完事，而是需要花費不少的精力做好結構化信息的抽取。

所以在產品還未啟動的時候，就要考慮清楚未來的內容是什麼樣的結構，然後設計合理的內容管理系統。良好的信息結構是未來的內容推薦的基礎，因為海量內容是由機器拉取的，而不是人工挑選的，機器非常死板，有就有，沒有就沒有，全靠入庫的時候運營人員抽取了哪些信息。

（2）分類體系

分類是一種邏輯，其實一直伴隨著人類的發展，張小龍也曾說做產品其實是一個邏輯梳理的過程。傳統行業最成熟的分類體系是圖書分類，幾乎全世界圖書館用的都是統一的一套分類體系。而互聯網時代最成熟的則是電商平台，如果有耐心拆解它們的結構，會發現有高達數千種大大小小的分類。

分類是便於用戶進行內容篩選的一套規則，當內容多起來的時候，用戶必定只能選擇自己感興趣的內容來消費，分類就是提供這麼一個選擇的入口。相似內容最好用統一的分類規則，例如電商、音樂平台幾乎都是同樣的分類，一來是尊重用戶習慣，減少用戶學習成本，二則是遵守行業規範，減輕運營人員的工作負擔。

（3）標籤體系

分類體系大多是穩定的，行業內的各方約定俗稱，有人可能會反應過來這並不是一套靈活的體系。例如在分類體系中，一個內容最好只屬於一個分類，這樣用戶遵循特定的路線就一定會找到它，設想圖書館的一本書可以放在兩個不同的書架上，那管理員和讀者都要瘋了。而標籤則會更加靈活，王小波的小說只能放在一個書架上，但是可以往上面貼上N個標籤：王小波、中文、小說、當代文學……等等，電腦在搜索的時候只要命中其中一個標籤都可以找到這本書。

目前流行的個性化推薦系統，例如豆瓣FM的猜你喜歡、亞馬遜的為你推薦，幾乎都是基於標籤系統，而不是分類。國外音樂平台Pandora為了完善個性化音樂推薦，聘用了大量音樂專業人士為每首歌打上N個標籤，幫助Pandora優化推薦結果。

3、內容推薦：用戶喜歡與否，成敗在此一舉

前面所說的兩個策略都是幕後完成的，用戶還感受不到，那麼內容推薦則是掀起蓋頭直面用戶的一道程序了。以結果導向而言，不管其他流程做得多麼出色，如果給用戶的內容推薦沒做好，其他都是白搭。接下來便一一拆解常見的內容推薦方式。

（1）熱門推薦

最常見的是「排行榜」形態，作為一個內容平台，這是一個必不可少的模塊。當用戶第一次使用產品時，每個用戶的開端幾乎都是相同的，個性化推薦這個時候也就無從談起。那麼最好的辦法是展示平台上最熱門的東西給用戶，這種辦法總不會錯，來到同一個平台的用戶大抵相似（除非你是過億用戶的平台），展示其他用戶最喜歡的內容給新用戶，從大數定律而言也具有最大的概率擊中用戶的喜好。

熱門推薦是一種省力而討巧的推薦方式，但是對於大量用戶和海量內容並不是好的推薦方式，它的最大弊端在於「馬太效應」，導致幾乎一成不變的內容。前面說到用戶行為是趨同的，因此導致的結果是熱門的東西也總是相似的。在熱門、排行榜的影響下，很多新的內容無法呈現給用戶。所以它只適用於早期階段，在產品成熟起來之後則應該退而成為一個產品模塊即可。

（2）編輯推薦

隨著用戶增長和內容數量增加，「編輯推薦」的形式會逐漸重要起來，其邏輯是基於平台對於自身運營人員能力的自信，認為官方編輯推薦的內容是用戶喜好的。當然推薦的內容不完全是運營人員的主觀判斷，而是基於數據分析、用戶反饋的推薦。

編輯推薦內容一般而言是新鮮的、優質的，彌補熱門排行推薦的不足。例如在知乎上，最熱門的內容依然是兩性、情感話題，如果只展示熱門內容的話，會充斥著情感話題，這是大部分用戶和運營人員不想看到的結果，所以知乎日報的運營人員會選擇更加有新意的內容在首頁展示。

一個理想的正向循環是，編輯推薦優質內容，增加曝光，進而成為熱門排行榜的內容，在此循環下，平台上的內容是流動性的，新鮮、優質內容得以曝光，並且熱門內容會不斷輪換。

（3）個性化推薦

最後說說個性化推薦，其實是一個技術問題，目前非常熱門的大數據，核心問題之一就是解決個性化推薦。它常見於音樂、視頻、新聞、電商等大平台，最具代表性的是亞馬遜的個性化商品推薦和Netflix的影視作品推薦。可以看到這些平台的共性就是具有海量內容和海量用戶，在如此巨大的平台上，編輯推薦、熱門排行榜都無法完全駕馭所有內容和用戶。如果能做到為每個用戶量身推薦內容，會極大地提升內容推薦的效率，自然會取得商業上的巨大回報。

個性化推薦常見的三種方式：①基於用戶的推薦（user-based），找到相似的用戶看他們消費了什麼內容，然後推薦給該用戶。②基於物品的推薦（item-based），根據當前消費的內容找到相似的內容推薦給該用戶。③基於物品特性的推薦（modle-based），根據消費過的內容提取特徵，找到更多相似的內容。

運用最為廣泛的是前兩種，並沒有孰優孰劣之分，不同場景下兩者各有優缺點，一般認為對於新用戶採用item-based具有較好的效果，深入學習可以閱讀項亮的《推薦系統實踐》一書。

4、實踐案例：從QQ音樂看內容運營框架的運用

QQ音樂是國內最大的音樂平台之一，在2015年9月中旬DAU突破一億，是一個海量內容和海量用戶的典型平台，研究其內容管理具有很強的參考價值。

（1）內容生產：PGC方式生產內容，堅持正版化道路

音樂行業是受盜版影響最深的行業，幾乎被摧毀，音樂人從音樂作品上基本得不到應有的回報，只能從其他地方賺取收入，所以整個行業每況日下。在這樣的背景下，幾大音樂平台作為領頭羊逐漸舉起了版權大旗，QQ音樂是其中做得比較好的一家。

音樂平台的根基是內容，也就是音樂作品，QQ音樂首要解決的問題也正是建立穩定的內容生產來源。由於音樂製作門檻非常高，內容生產方式幾乎都是PGC，QQ音樂與國內外的幾大唱片公司簽訂了版權協議，把音樂行業拉向正版化。其實這也是正向循環的必備基礎，正版化使得音樂人得到利益回報，才能繼續生產高質量的內容，如此以往，音樂人、平台方和用戶三者都受益。

（2）內容入庫管理：國內最大的曲庫管理實踐

目前QQ音樂曲庫已經達到1500萬首，是國內最大的曲庫。面對如此巨大的曲庫，QQ音樂配有專門的入庫團隊和自動化處理程序，如前面所述，一首歌曲的演唱者、專輯名稱、發行日期、曲風、分類等等幾十個結構化信息都會在入庫的適合就處理好，採用人工加程序兩種方式，完善的結構化信息是後期內容推薦的基礎。

（3）內容推薦：編輯推薦、熱門推薦、個性化推薦相輔相成

在QQ音樂的APP中，音樂館的推薦模塊是編輯推薦，人工干預力度較大，主要推薦新歌和應景的歌單。排行榜屬於熱門推薦模塊，都是演算法計算出的結果，反應了平台用戶最喜歡的歌曲。猜你喜歡是個性化推薦的產品，經歷過多次改版後，目前可以算是國內領先的個性化推薦系統，具有非常不錯的口碑。

推薦閱讀：