作者：刘沫潇/编译（北京外国语大学国际新闻与传播学院副教授、北京中外文化交流研究基地特聘研究员）

来源：《青年记者》2023年第7期

近年来，内容推荐技术迅速发展，改变了读者浏览新闻网页和在手机应用上阅读资讯的体验。许多媒体也以用户为中心，采用了多样化的用户策略，这其中既包括数字媒体发展早期向读者展示高阅读量文章的常见模式，也包括当下更为复杂、基于特定用户指标来提供内容的推荐算法。

总的来看，对于当前身处数字媒体行业的机构来说，基于精确数据和人工智能进行个性化内容推荐正变得越来越重要。这主要是因为：一方面，相较于只提供常规新闻产品的媒体，很多用户表示更喜欢提供个性化服务的品牌，他们希望新闻机构提供满足他们特定需求的内容产品；另一方面，用户获取信息的渠道和平台增多，面对激烈的市场竞争，媒体也需要采取有效举措优化内容产品供应，提升用户在自家网站或应用上的留存时长，促使用户持续访问而非转向其他媒体。换言之，数字新闻时代，如何通过人工智能驱动的内容推荐促进受众参与，关系着媒体能否持续吸引和扩大在线读者群。

目前，现代技术解决方案在提供数据驱动的内容推荐方面越来越成熟。凭借先进的分析技术，许多机构正利用强大的算法，根据用户画像和用户信息消费行为为用户提供个性化的内容服务。这种数据驱动的内容推荐有助于新闻机构在用户信息消费的不同阶段与用户进行良好互动，比如为活跃用户呈现广告商赞助内容，为会员提供订阅用户专属内容等。

在此背景下，2023年3月，全球知名付费墙软件研发公司皮亚诺（Piano）和数字媒体Digiday联合发布报告《媒体提升读者参与度指南：个性化内容推荐的策略和见解》（“The publisher’s guide to audience engagement: tactics and insights for personalized content recommendations”）。报告分析总结了目前媒体推荐定制内容时采取的策略和积累的经验，这些策略和经验有助于优化用户体验，提升用户参与度。

利用内容推荐提升用户留存率和参与度

根据报告，美国成年人平均每天花费一半以上的时间进行信息消费，但约68%首次访问新闻网站的用户不会参与互动，而且在一个月内，相当大比例的用户会完全放弃访问该网站。因此，提供读者真正愿意参与和互动的内容尤为重要，很多新闻机构也正着力探索提升用户留存率和参与度的内容推荐技术。

首先，不同的机构会采取不同的内容推荐策略。许多媒体意识到，在选择特定的推荐解决方案前，有必要考虑自己的关键业绩指标和要实现的具体目标，这有助于其根据机构运营重点有针对性地优化内容推荐。

其次，特定类型内容与特定受众相勾连、相对应，内容推荐不是“遍地开花式”的广撒网过程。比如，媒体如果要提升某一特定类型内容的读者参与度，就得寻找可以识别用户最有可能阅读、属于这一领域的文章的推荐模型。皮亚诺公司战略服务副总裁马特·布罗德（Matt Broad）指出，媒体利用内容推荐算法识别用户行为，目的是能够为读者提供与他们正在阅读的内容相关的文章，方便媒体关联读者兴趣。

最后，媒体需要平衡算法的有效性、对受众需求的熟悉程度和数据透明度之间的关系。换言之，为了提升用户留存率和参与度，媒体机构一方面要善于运用个性化内容推荐与用户交流互动，引导用户参与到内容中来，另一方面也要注意用户数据不被违规使用，保护用户隐私。鉴于此，许多媒体机构正尝试使用“数据净室”（data clean room）和第一方数据（first-party data）的解决方案，以确保它们在收集数据时既可保护用户隐私，又可促进内容推荐的优化。“数据净室”指的是一个安全私密、受保护的数据环境，在“数据净室”中，用户的个人身份信息被匿名化处理和存储，以便以符合隐私政策的方式进行数据测量和数据转换。虽然收集用户信息是算法驱动的内容聚合平台日常工作的一部分，但平台可以运用“数据净室”技术解决方案，为广告商提供聚合的、匿名的非个人身份信息来优化广告决策，并严格控制原始个人身份信息的浏览和使用权限，保障终端用户隐私。第一方数据指媒体直接从用户那里收集和拥有的第一手数据，可能包含用户的人口统计信息、历史浏览记录、网站或应用的互动记录、服务购买记录等。第一方数据之所以重要，是因为相较于第三方数据，内容发布平台可通过隐私协议、弹窗推送或其他交互形式直接获得用户的授权同意，确保机构在提供用户想要互动的内容选项时只使用经过用户同意的数据。此外，第一方数据也有利于机构“有迹可循”地改进业务流程和内容产品供应。

总之，提升用户留存率和参与度的内容推荐要在保护用户隐私的前提下进行。内容推荐不是“千篇一律”而是“千人千面”，媒体可基于自身的机构定位和业绩指标，依托第一方数据，利用机器学习，做出数据驱动型的优化决策，从而实现改善用户体验、挖掘数据价值、保护用户隐私和数据安全的有机统一。

采用多样的内容推荐引擎改善用户体验

为增加读者数量，改善用户体验，数字媒体正尝试运用各种类型的内容推荐引擎。目前，主要有四种比较流行的内容推荐算法：一是个人推荐算法，即利用读者行为和语义分析，根据个体用户的阅读历史，找到与个体用户最相关、新近发布的内容；二是高阅读量文章推荐算法，即通过分析文章的阅读情况，利用模型识别出网站上或应用上最受欢迎的内容，并把这些内容展示给新用户；三是最新内容推荐算法，即模型根据内容发布日期，按时间顺序在用户信息流中浮现最新内容；四是相似内容推荐算法，即通过分析群体行为模式，给用户推荐其他有着相似兴趣的读者正在阅读的内容。

基于上述推荐算法和模型，媒体可以确定信息流中的哪些位置、哪些发布时段、哪些内容主题对读者的影响最大，从而确保个体用户可以随时接收新鲜、独特的资讯。例如，如果用户经常访问某网站阅读体育新闻，那么网站就可调整内容推荐模块，优先为该用户推荐体育资讯，以回应其信息消费需求。此外，推行定制化内容推荐的数字媒体还需反复测试不同的算法和推荐模板，找到最能吸引用户参与的解决方案。

当然，在目前所有的内容推荐系统中，无论运用哪种模型或算法，内容发布平台都需依托用户数据为个体用户提供个性化服务。

使用分析和标签策略优化个性化内容推荐

除利用内容推荐算法吸引用户参与、与用户交流活动之外，一些成功的数字媒体还充分利用自己的分析能力，对各种数据指标进行挖掘和分析。充分的数据分析有利于机构从用户那里汲取经验，以有效的方式赋能内容推荐。比如，数字媒体可利用分析工具，从用户的内容推荐区移除用户以前阅读过和未点击的文章，大幅减少内容推荐的混乱，与此同时，在信息流的显著位置放置推荐内容，在不影响用户阅读体验的情况下激发用户的好奇心，促使他们点击并阅读文章。目前，可供机构分析的用户数据很多，比如，多少用户看到了某一推荐内容？该推荐内容的点击率如何？该推荐内容被点击后，用户又继续阅读了多少篇文章？该推荐内容是否增加了用户在平台上的参与和互动？

为优化个性化内容推荐，内容发布机构还会考虑和评估一些更具体的因素和更细化的标签，比如文章的发布日期、推荐日期、文章作者、内容属性、推荐位置等。很多情况下，正是所有这些不同变量的混合为特定用户群体提供了合适的内容产品组合。换言之，并非每个作者或主题都能吸引特定受众，媒体需要依靠数据分析和标签策略精准定位用户目前认为最适合自己的内容。确定在特定时间点与特定群体产生共鸣的特定内容元素成为个性化内容推荐能否成功的关键。

寻找有效的内容推荐资源和专业的合作伙伴

许多机构需要工具、技术和合作伙伴来提供内容推荐，特别是提升自动化内容推荐的效果。高质量的推荐解决方案不仅可以使机构选择推荐内容类型、推荐模型和内容分发机制，还可定制内容模块和推荐算法。

在选择内容推荐的合作伙伴和解决方案时，媒体需充分考察和评估合作方和相关解决方案是否使用数据驱动技术提供内容推荐，是否遵守隐私法规保护用户数据，是否使用机器学习来呈现最吸引人、最相关的内容等。以上因素的综合考量有利于机构及时调整内容产品的推荐和展现，更好地与用户保持联系，甚至节约机构运营成本。

总之，个性化内容推荐使数字媒体更了解受众，并以前所未有的方式吸引受众参与、改善用户体验。有效的内容推荐解决方案也可让媒体为细分市场找到最吸引人的内容，并将这些内容放置在平台的最优位置进行有效传播，从而给媒体带来更多的关注和收入。

（本文原文为“The publisher’s guide to audience engagement: tactics and insights for personalized content recommendations”，编译自https://piano.io/wp-content/uploads/2023/03/The-publishers-guide-to-audience-engagement-Piano.pdf。）

本文引用格式参考：

刘沫潇.提升用户参与度的个性化内容推荐进阶[J].青年记者,2023(07):102-103.