一 简介

“内容平台”成为最近一个比较火的概念。早期的内容产出大多靠新闻、门户网站，由新闻专业人士生产内容，其他人都是作为内容获得者的角色，二次编辑较少。近些年随着 web2.0 的发展，更多的用户参与到了内容的提供和编辑，也赋予内容平台更广泛的信息来源。

“热点”（hot spot）指的是比较受广大群众关注，或者欢迎的新闻或者信息，或指某时期引人注目的地方或问题，如“社会热点”。“爆款”是指在商品销售中，供不应求，销售量很高的商品。不过最近也经常被用到文章上，例如某个话题下的十万+文章。

二 热点示例

下面几张图分别是新浪微博、今日头条、百度的热点推荐：

头条：

百度热榜：

三 热点形式

可见热点组织形式包括热点话题和热门新闻两种，除了新闻/话题标题足够吸引人外，还通常会标记“热度”，使用访问量、评论数，或标记爆/新等等。目的都是利用人们的从中心里，快速吸引用户兴趣，并促成打开/阅读/停留时长转化。

四 热点内容挖掘过程

4.1 内容来源

以头条为例，“今日头条并不生产内容，只做新闻的搬运工”，从这句话上就可以理解出，很多新闻客户端并不会亲自做内容，而是做分发平台，把已有的新闻内容分发到感兴趣的用户阅读。当然，现在中间会增加自媒体来源和已有新闻的二次编辑环节，丰富了分发的内容。

4.2 内容挖掘

有了内容（原始/二次编辑后），接下来就需要考虑信息如何呈现给用户、以怎样的形式提供。过去门户网站千篇一律的模式显然不再适合，头条等新内容平台的快速发展，就是基于用户兴趣 &意图的识别，推荐相关内容。

而这个“挖掘”，为了达到更好的效果，可能会涉及到很多环节。例如内容的沉淀积累、标签覆盖的完整程度和准确度、用户行为的收集、样本集分析和效果的验证等等。每个环节都可能包含大量的工作，例如打标签，早期都避不开大量的人工工作。随着文本分析模型的丰富和完善，才有了自动打标签方法和系统，来减少人工工作，但依然不能完全替代。

人际关系在模型中的作用也越来越重要。在很早的时候，就有“协同过滤”算法做内容推荐，利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息，个人通过合作的机制给予信息相当程度的回应（如评分）并记录下来以达到过滤的目的进而帮助别人筛选信息。而如果能获取到更明确的用户好友关系、更多且更精确的共同兴趣标签或关系的远近程度，那么无疑将使推荐更为精确（当然，也更容易让人产生被监控的不良反应）。

4.3 热点推送

4.3.1 推送目的

消息推送，对于用户来说是及时获取信息；对运营来讲，能够提⾼⽤用户活跃度。例如基于某文章中的一份统计数据：在今日头条推送后能够提升 20%左右的 DAU，如果没有推送，会影响 10%左右 DAU（2015 年数据）。

4.3.2 推送内容

可以简单分为热点咨询和用户订制信息。

热点资讯包括行业咨询、快讯等，重点考虑热门内容，并利用大家的从众心态；用户订制信息，包括关注话题、发布内容的评论、点赞等等互动信息。

4.3.3 推送评价指标

推送后要关注的指标：点击率，点击量，能够监测到 App 卸载和推送禁用数量。

推送的主要内容：突发与热点咨讯，有人评论回复，站外好友注册加入。

4.3.4 推送服务

在客户端中，推送服务包括 APNs 和 GCM。iOS 的推送服务叫 APNs，所有的推送通知都是由苹果的 APNs 控制。Android 的官方推送服务器是 GCM。因为 GCM 在国内被墙，所以国内用户无法使用，大部分互联网企业用第三方推送服务或者自建服务，保证 APP 能收到推送。

因为苹果的封闭性，iOS 统计不了到达数，也统计不了打开数。你只能知道推送出去了多少用户，其余数据需要估算。

根据一些统计结果，打开率波动在 10~15%左右属于比较好的情况。

五 热点挖掘技术体系

以头条为例，本质上是一个强大的智能推荐引擎（来自文章: 今日头条技术架构分析）：

目前还没有找到最新的架构方案，参考一下 18 年某篇文章中的系统架构描述：

六 关于热点挖掘与推送的几点思考

6.1 热点推送：实时性保障

1）物料实时性

尽可能直接对接新闻来源，避免中间环节降低时效

2）挖掘能力

准确性和低延迟，考虑流式计算方案，实时/接近实时的分析能力搭建

3）推送触达实时性

推送系统能力；如果全网能力不足，考虑根据用户活跃度进行分批触达确保核心用户接收信息的时效性。

6.2 热点挖掘能力

头条 &抖音目前已经无疑是新闻和短视频领域的行业第一，那么竞争者如果想在某些领域超越，是否还有机会或者可以尝试的方向？

个人感觉或许可以在以下几点做些尝试：

1、内容覆盖

更多的内容来源，提供商 &创作者入驻。内容提供商这点可能不太好扩充，但通过适当投入与优质得领域创作者合作应该还可以考虑，当然会有所侧重；

2、竞争对手深入分析

good case & bad case 整理与分析

3、用户画像体系沉淀

精准的用户画像体系是精细化运营的基础，完整性超越难度较大，但在某标签、某垂类下超越未必不行。发挥垂类优势，局部争取领先地位，并再次基础上逐步扩展，那么或许可以有数据上超越的可能。

面对行业内具备绝对优势的领头羊，直接铺开正面冲突恐怕效果不佳；无论是数据积累还是技术厚度都难以直接抗衡；那么，局部突破，依靠策略和部分人工来弥补技术劣势可能也是一种可行的选择。当然目前还只是纸上谈兵，有待后续持续验证。