社会化推荐系统浅析-社会化推荐系统和传统搜索的区别及当前现状随谈
2012-03-14 14:36
281 查看
传统搜索引擎其实是含有用户推荐成分的, google的PageRank算法是"民主的链接选举", 通过大大小小的建站者们对链接的引用, 决定链接的排名, 同时通过终端用户的点击行为, 再次调整链接排名.
传统搜索引擎不含任何社交成分.社交+推荐 ,代表性的网站是微博, Pinterest和蘑菇街,它们首先都具有社交网站的典型特征:关注,粉丝,喜欢.
在推荐上就各有不同了:
微博是通过社交发现的有价值的'言论,段子'去进行推荐.
Pinterest是通过社交发现的有价值的'图片和图片集'去推荐.
蘑菇街是通过社交发现的有价值的'商品'去推荐.
知乎是通过社交发现的有价值的'问答'去推荐.
Delicious是社交+搜索, 首先在界面上, 提供给最终用户的可以,是'言论,段子'/ '图片和图片集'/ '商品'/'问答'这些社交元素, 但是实质是要提供通过社交元素发现的更好更高质量的链接. 只做链接的入口, 并不试图把用户留在这里,这是和社交网站的区别.
google的屡次失败,可能证明在social中凸显搜索,或者说在人们频繁交流的意愿下,突出用机器来解决人脑思考的问题恐怕是不行的
会极大的影响推荐算法推荐的核心是网址链接还是物品?推荐的是'我喜欢的'还是结合推荐'我关注的人喜欢的'?是根据链接的质量和相关度排序推荐,还是根据评论质量推荐?或者别的指标? 排序依据的参数和计算。
进一个领域,得分析UGC能不能起来,而且在各个领域都有了原先领头的企业后,后面要Follow别人的商业模式吗?失败的可能性较大,必须有颠覆性!用Pinterest的交互形式?还是问答?或者走两者中间的路线?取决于你凸显的是人还是物,人的话还是建议文字为主,物的话图片为主。
因为上蘑菇街这种会忽略人而专注于物品本身,它的人因属性降低了,粘性弱。但是可以说蘑菇街目的就是带流量,也达到了。但是别忘了,流量如果没有social去带动viral(病毒式扩散),源头枯竭,服务也瞬间坍塌。所以存留率是很重要的
从互联网B2C形式的ARM模型来讲,A(用户或UGC潜在总量\Viral K值(自生长)\单个获取成本)和R(存留\回访\转化)是目前切入考虑的重点
M是货币化,常见形式就是广告投放、虚拟货币和物品贩售(PPF),平台抽税,第三方利差收费, 2C时,流量和用户存留量有了,M在资本的推动下一定会逐步实现的
传统搜索引擎不含任何社交成分.社交+推荐 ,代表性的网站是微博, Pinterest和蘑菇街,它们首先都具有社交网站的典型特征:关注,粉丝,喜欢.
在推荐上就各有不同了:
微博是通过社交发现的有价值的'言论,段子'去进行推荐.
Pinterest是通过社交发现的有价值的'图片和图片集'去推荐.
蘑菇街是通过社交发现的有价值的'商品'去推荐.
知乎是通过社交发现的有价值的'问答'去推荐.
Delicious是社交+搜索, 首先在界面上, 提供给最终用户的可以,是'言论,段子'/ '图片和图片集'/ '商品'/'问答'这些社交元素, 但是实质是要提供通过社交元素发现的更好更高质量的链接. 只做链接的入口, 并不试图把用户留在这里,这是和社交网站的区别.
google的屡次失败,可能证明在social中凸显搜索,或者说在人们频繁交流的意愿下,突出用机器来解决人脑思考的问题恐怕是不行的
会极大的影响推荐算法推荐的核心是网址链接还是物品?推荐的是'我喜欢的'还是结合推荐'我关注的人喜欢的'?是根据链接的质量和相关度排序推荐,还是根据评论质量推荐?或者别的指标? 排序依据的参数和计算。
进一个领域,得分析UGC能不能起来,而且在各个领域都有了原先领头的企业后,后面要Follow别人的商业模式吗?失败的可能性较大,必须有颠覆性!用Pinterest的交互形式?还是问答?或者走两者中间的路线?取决于你凸显的是人还是物,人的话还是建议文字为主,物的话图片为主。
因为上蘑菇街这种会忽略人而专注于物品本身,它的人因属性降低了,粘性弱。但是可以说蘑菇街目的就是带流量,也达到了。但是别忘了,流量如果没有social去带动viral(病毒式扩散),源头枯竭,服务也瞬间坍塌。所以存留率是很重要的
从互联网B2C形式的ARM模型来讲,A(用户或UGC潜在总量\Viral K值(自生长)\单个获取成本)和R(存留\回访\转化)是目前切入考虑的重点
M是货币化,常见形式就是广告投放、虚拟货币和物品贩售(PPF),平台抽税,第三方利差收费, 2C时,流量和用户存留量有了,M在资本的推动下一定会逐步实现的
相关文章推荐
- BSM的时代已经到来 传统的系统集成管理发展受限 推荐
- 计算广告学习笔记1.7 广告的基础知识-广告搜索与推荐的区别
- 原创:自定义三叉树(二)--基于搜索推荐系统根据用户搜索频率(热搜)排序
- win 7系统安装在传统硬盘上和固态硬盘的区别是什么?
- 一个完整推荐系统的设计实现-以百度关键词搜索推荐为例
- 社会化搜索与推荐浅析-智能web浅析
- 传统HA系统的终结者-【软件和信息服务】2013.11 推荐
- 基于消息的系统与传统分布式系统的区别(个人体会)
- 社会化视频推荐系统应用
- 推荐系统-通过数据挖掘算法协同过滤讨论基于内容和用户的区别
- 社会化推荐系统中用重叠社区正则化进行评分预测
- 推荐系统中TopN与kNN的区别
- 搜索推荐系统评价指标
- 一个完整推荐系统的设计实现-以百度关键词搜索推荐为例
- 一个推荐系统,实现完整的设计-在百度搜索关键词推荐案例
- 源码推荐(0710B):基于Block的系统PickerImageController的封装,简单的搜索标签
- 我理解的当前云计算的现状 推荐
- 如何为技术博客设计一个推荐系统(中):基于 Google 搜索的半自动推荐
- 一个完整推荐系统的设计实现-以百度关键词搜索推荐为例
- 说说博客匹配、推荐与搜索系统