第764章 第五次FBTV联席会议 (第2/3页)

  FBTV最重要的一个环节是用户画像。

    大数据+算法+AI。

    李明洋提出了战略，但实行起来，太烧钱了……

    这玩意不是后世的概念，早在千禧年之前世界范围内，就有共识，但是这玩意太难了。

    大数据的收集是最简单的，算法……搞这个的都是万中无一的天才！

    99%的人连看都看不懂……

    AI可以分为六个时期，起步、反思、应用、低迷、稳步，蓬勃发展期。

    现在是蓬勃发展期。

    2011年开始，随着大数据、云计算、互联网、物联网等信息技术的发展，泛在感知数据和图形处理器等计算平台推动以深度神经网络为代表的人工智能技术飞速发展，大幅跨越了科学与应用之间的“技术鸿沟”。

    诸如图像分类、语音识别、知识问答、人机对弈、无人驾驶等人工智能技术实现了从“不能用、不好用”到“可以用”的技术突破，迎来爆发式增长的新高潮。

    高科技范畴了……

    奈飞为什么被认为是科技公司……就在于它真的是科技公司，大数据+算法+AI的用户画像。

    短视频最强算法是抖音。

    而长视频最强算法就是奈飞了。

    在推荐算法面前，短剧和长剧仿佛生活在两个平行世界。

    短视频平台奉行的是“内容找人”的逻辑：海量UGC/PUGC短剧被投入平台巨大的内容池，由算法主动匹配给感兴趣的用户。

    用户只需不停刷屏，算法就源源不断推来短剧，新内容层出不穷。

    由于单个短剧视频时长很短，用户在相同时间内可以观看几十上百条内容，与系统交互频率极高。

    点赞、完播率、评论、转发等行为数据滚雪球般增长，成为算法的燃料。

    在抖音的推荐系统中，新发布的短剧视频会被投入初始流量池测试，根据完播率、点赞和评论等数据决定后续推荐权重，再分层次扩大曝光。

    可以说，短剧高度依赖算法分发，没有强大的个性化推荐，这么庞大的内容供给和碎片化消费根本无法有效连接。

    反观长视频平台，一直以来更偏“人找内容”的传统模式。

    长剧数量相对有限，每年国产长剧产量不过几百上千集，头部剧更是凤毛麟角。

    用户在这些平台主要通过首页人工运营推荐、分类导航或搜索来寻找剧集，而非纯粹算法无差别地信息流推送。

    即便号称算法见长的奈飞，其首页仍是精心排列的内容分类和热点，而非像抖音那样让用户被动刷到下一部剧。

    长剧内容消费更中心化——热门剧放在首页轮播，观众也常由站外口碑（微博热议、豆瓣评分等）决策观看。

    由于单部长剧动辄40分钟一集、总时长数十小时，用户观影成本高。

    因此长视频平台获取的交互数据远少于短视频，算法抓手有限，两者完全不在一个量级。

    这直接导致算法在长剧中的作用远不如短剧显著：长视频平台至今没有诞生类似抖音那样纯算法驱动的产品，主要消费模式还是靠内容本身吸引力和用户自主选择。

    字节跳动纵横信息分发领域，却迟迟未能在长视频上复制抖音的奇迹，正是因为长剧与算法推荐的契合度先天不足。

    换句话说，短剧的推荐算法更像一台高转速发动机：依赖海量的用户行为数据作为燃料，快速试错、迅速迭代，秒针般捕捉用户兴趣。

    而长剧的推荐更像人工把关的慢工：内容体量大而精，产出有限，平台更倾向于用人工运营和用户口碑来驱动分发，算法退居辅助地位。

    短视频平台上是算法挑选用户，长视频平台上则是用户筛选内容——两种框架的差异，注定了短剧与长剧在算法世界里的不同命运。

    长视频平台的算法，偏后期反馈。

    国内的长视频平台的用户画像，全都是垃圾。

    都搁那研究广告，研究饭圈，研究噱头，研究炒CP，研究卖周边，研究欺上瞒下……

    李明洋花费巨资在戛纳买了那么多片子，就是为了收集资料。

    用户特征，如年龄，性别，地域。

    内容特征，如影片类型、导演、演员、剧情简介。

    以及用户与内容的交互特征。如观看市场、评分高低等。

    这些都是长视频算法最需要的。

    奈飞为什么用户画像那么牛逼，可以精准自制。

    靠的就是DVD租赁服务，衍生出来的 Cinematch排序算法！

    该算法根据用户的租赁历史及影片评分，为用户提供个性化的电影建议，并创建潜在兴趣影片的“列表”。

    Cinematch排序算法是03年的，在当时是非常先进的，并且准确率惊人。

    Cinematch排序算法大致可以这样理解：奈飞的算法察觉到我们两个人都喜欢看《蝙蝠侠：开战时刻》和《绝命毒师》。

    那接下来，那么当其中一位标记喜欢《赌城风云》时，系统可能也会向另一位推荐该影片！

    

    （本章未完，请点击下一页继续阅读）

『加入书签，方便阅读』