? 媒體融合與融媒體發展與研究？

軟文與廣告，口碑，流量，人氣等。
綜合類新聞APP內容功能及盈利模式- http://www.jianshu.com/p/b72c595b6cc1#
當下的新聞類app的類型可從內容來看劃分成三種類型。
一是綜合類新聞APP。
這一類又可細化為兩種，一種是多為互聯網巨頭公司開發及運營，與其原先所有的門戶新聞網站一脈相承，為跟隨移動互聯網發展潮流而開發出的門戶新聞移動客戶端。比如榜首的騰訊新聞，以及網易新聞，搜狐新聞和新浪新聞等。這些APP由于依靠強大的公司資源及渠道，所以推廣起來很快，用戶轉化率高。第二種則是主要依靠技術進行新聞抓取聚合及個性化推薦與定制的聚合類新聞APP，比如ZAKER，今日頭條，一點資訊等。相對于前一種門戶類新聞APP來說，這些APP所需的人工編輯少很多，主要依靠技術算法將合適的資訊推薦給用戶。開發及運營團隊偏技術型。
二是傳統媒體新聞APP。
這類APP主要是傳統媒體為了適應新媒體發展，作出的應對或者轉型，所自主開發的獨立APP，有其自身的媒體品牌。財經頭條，人民日報，鳳凰新聞等等。內容推送主要以其自身傳統媒體生產內容為主，當然也會轉載其余媒體的內容。除此之外，傳統媒體集團還有進一步的轉型或改革做法，即抽調人員做獨立品牌的互聯網新聞產品而不再依靠已有的媒體品牌，比如澎湃新聞及界面新聞，這些新聞類互聯網產品依靠媒體單位有自主采訪權，一般都主打某個領域的深度高端，可發揮傳統媒體生產深度新聞的優勢。這樣的產品劃到第三類也許更好。
三是細分垂直領域的新聞APP。
比如體育類有虎撲，互聯網資訊有36氪，虎嗅等，時政類澎湃新聞，還有財經類、娛樂類、科技類、文藝類等等。
? 總體來看前文提到的三類新聞APP，傳統媒體獨立APP相對綜合類新聞APP來說，除非有極高口碑的內容與足夠豐富的內容（比如鳳凰新聞），否則很容易有環境過于封閉，用戶資源有限，品牌效應不足發展用戶困難等問題，從而難以與綜合類新聞APP抗衡，分到一杯羹。大部分傳統媒體還需要依靠綜合類新聞APP的平臺才能將內容輸送給更多受眾。而細分的垂直領域新聞APP對于綜合類新聞APP的競爭力要更強，許多用戶有自己感興趣的領域，所以每種細分的垂直領域新聞APP都可能會分流一部分用戶。加上各媒體在各個社交平臺都設立了發布信息的渠道，用戶在此基礎上若能對重要新聞信息的需求基本感到滿足，便會少了安裝綜合類新聞APP的動機。
? 了解各綜合類新聞APP生存的狀態及價值，然后淺析其盈利模式，進而思考其良好發展的方法及方向。

新聞類軟文大致分為三個類型：
? 新聞通稿，這個詞對于公關和營銷界人士來說，一點都不陌生。新聞通稿來源于傳統媒體，所以寫作形式與傳統媒體一樣，也就是消息稿和通訊稿。簡而言之，消息稿就是對整個事件進行簡單而完整的說明，而通訊稿則是最消息內容的補充，補充的內容可以是背景介紹、事件的介紹或者說是一些相關故事。新聞通稿不要求太多技巧，只要文字流暢、語言準確、層次清晰、邏輯性強，能把事情表述清楚、完整即可。
? 新聞報道是以媒體的口吻、新聞的手法對某件事情進行報告，甚至直接聘請真正的記者操刀。文章完成后，也會與正常的新聞報道一樣，發布到相關媒體的新聞欄目。由于其夾雜在正常新聞中間，且完全用新聞體組織正文結構，讓人防不勝防，對于非專業人士根本無從分辨。
? 媒體訪談。相對于新聞通稿的公式化語言及新聞報道的說教式、單向灌輸式內容而言.媒體訪談這種形式更容易讓入接受.它由一般新聞的單向灌輸向滲透式、感召式、互動式轉變。企業與媒體通過訪談聊天的形式表達出來的內容和理念更具親和力、吸引力和感染力，能夠做到以理服人、以情動人。
媒體融合：紙媒如何取舍？- http://media.people.com.cn/n/2015/1204/c14677-27889680.html
日均UV（訪問某個站點或點擊某條新聞的不同IP地址的人數），總PV（頁面瀏覽量或點擊量）。
紙媒與網媒，電子媒體 互聯網媒體等。

推薦算法的回顧總結- http://blog.csdn.net/gamer_gyt/article/details/74367714
協同過濾的推薦算法,協同過濾分為基于用戶的和基于物品的。
個性化資訊推薦的未來:
個性化資訊產品：先介紹資訊推薦產品是什么，著重分析其業務特點。
個性化推薦方案：接著介紹資訊推薦所需的技術，著重分析其技術難點。
個性化推薦算法：最后介紹業界常用的個性化推薦算法。

資訊推薦產品要解決用戶需求很簡單，一句就可以概括：為用戶找到有趣的資訊。而做到這個需求就要做好兩個關鍵點：
新聞聚合。用戶希望在一個產品里獲取任何他想要或者可能想要的東西，這就要求產品要聚合其他app、網站、甚至線下媒體里的各種資訊，這也是最基本的一個產品特性。?
個性化。要去最大程度地理解、猜測用戶的興趣，結合興趣為其推薦相關資訊，這是資訊產品后期衍生出來的一個產品特性。?

作為國內當紅的個性化推薦產品，今日頭條技術經歷了三個階段：
1）早期以非個性化推薦為主，重點解決熱文推薦和新文推薦，這個階段對于用戶和新聞的刻畫粒度也比較粗，并沒有大規模運用推薦算法。
2）中期以個性化推薦算法為主，主要基于協同過濾和內容推薦兩種方式。協同過濾技術和前面介紹的大同小異，不再贅述。基于內容推薦的方式，則借助傳統的NLP、word2vec和LDA對新聞有了更多的刻畫，然后利用用戶的正反饋（如點擊，閱讀時長、分享、收藏、評論等）和負反饋（如不感興趣等）建立用戶和新聞標簽之間的聯系，從而來進行統計建模。
3）當前以大規模實時機器學習算法為主，用到的特征達千億級別，能做到分鐘級更新模型。 架構分為兩層（圖來自頭條架構師的分享）：
檢索層，有多個檢索分支，拉出用戶感興趣的新聞候選；
打分層，基于用戶特征、新聞特征、環境特征三大類特征使用實時學習進行建模打分。值得一提的是，實際排序時候并不完全按照模型打分排序，會有一些特定的業務邏輯綜合在一起進行最終排序并吐給用戶。

媒體融合發展的現狀和趨勢及思考- http://blog.sina.com.cn/s/blog_4adec0990102e5jl.html
? ? 日本報業、韓國報業也紛紛成立24小時滾動新聞報道機構。
? 國內大多數報紙的應對之策無非四條：一是報紙改革。盡最大努力將報紙辦得更加貼近生活、貼近實際、貼近讀者，以盡量留住讀者，盡量挽回下滑頹勢。二是網絡轉型。幾乎每家報紙都辦網站，將報紙制成電子版貼在上面，不少報紙開辦法人微博、微信公共平臺，有些還嘗試打入手機新聞客戶端，有些開設了電子屏、二維碼等。三是興辦實體，多元發展。涉足酒店、房地產、餐飲、物流等三產業，已成為有實力的報業集團的自覺選擇。四是停刊休刊。
? 商業門戶不僅掠走了用戶和收入，還對報業核心競爭力的資源——人才，進行全面爭奪，現在四大商業門戶的內容運營，主要依靠來自報業集團的人才。而對報業來說，要想向新媒體轉型，重塑競爭優勢，必須要有既熟悉內容運作又善于學習運用互聯網的高級復合型人才團隊，而不幸的是，商業互聯網也對這些人才最感興趣，且薪酬條件和工作環境更有競爭力。
? 傳統媒體與新興媒體融合發展，大致經歷了三個階段。第一階段是十多年前最初的報紙電子版階段。二是網絡階段，比第一階段的電子版有所拓展和拓寬，增加了相關的內容和信息。三是全媒體階段，微博、微信、二維碼、手機報、手機客戶端、電子屏、網絡電視等一齊上。全面數字化，導致技術形態上的多元化，不同平臺和終端，形成匯合性的產品。同時網絡平臺為傳統媒體增加了互動的可能，將信息接受轉變成自己新聞產品的用戶。
? 美國報業先是采用聚合的方式，把各家網站原創的財經類、體育類、生活類和評論類等新聞內容和信息聚合起來，然后針對自己的目標受眾進行個性化的定制和傳播。人民日報的微博、微信、手機專報、手機客戶端、電子閱報屏等多渠道全媒體立體傳播。

? 如重慶日報報業集團立足文化產業，先后啟動了重慶廣告產業園、重慶印刷產業園、萬州三峽中心文化產業園、涪陵文化產業園建設，有力地帶動了產業發展。?

-----------------------------------

今日頭條成功的核心技術秘訣是什么- http://blog.csdn.net/starzhou/article/details/75810141
? 個性化資訊推薦的未來：
1.個性化資訊產品：先介紹資訊推薦產品是什么，著重分析其業務特點。
2.個性化推薦方案：接著介紹資訊推薦所需的技術，著重分析其技術難點。
3.個性化推薦算法：最后介紹業界常用的個性化推薦算法。
? Google News是一款經典的資訊推薦產品，也是后來者競相模仿的對象。2007年，Google News在www上首次發表論文《Google News Personalization: Scalable Online Collaborative Filtering》公開資訊推薦技術。該論文的做法非常自然、簡潔，從論文題目就能看出是CF的落地上線。Google是這樣想的：鑒于大家都覺得CF是推薦領域公認的有效算法，那將其直接用在產品上效果自然也不會太差。
? Google News在www 2010上放出了《Personalized News Recommendation Based on Click Behavior》。這篇文章重點解決推薦精準性和新資訊的冷啟動問題，文章想法也很樸素自然，主要是基于貝葉斯理論進行建模。他們假設用戶興趣有兩個方面：個人不斷變化的興趣以及當前新聞熱點。在具體建模之前，作者先基于歷史數據進行了統計分析，驗證了他們的假設，得到如下基本結論：用戶的興趣是隨時間變化的，新聞熱點也是隨時間變化的。還有一個比較比較有趣的結論是不同地區同一時間的新聞熱點是不一樣的。
? 方法主要建模用戶對當前某類新聞的感興趣的程度，這取決于兩個方面：用戶對這類新聞的興趣度以及當前某類新聞的熱度。
? Yahoo Today團隊2009年在WWW上發表 《Personalized Recommendation on Dynamic Content Using Predictive Bilinear Models》，重點解決資訊推薦里的冷啟動問題。不同于上一篇google news的做法，這篇文章試圖同時解決新用戶和新資訊的冷啟動。本文的基本假設：用戶畫像能刻畫用戶的閱讀興趣，新聞的畫像也可以表示新聞的點擊率，而用戶喜歡一條新聞的程度則取決于靜態預測和動態預測兩個方面，都是用feature-based learning方法來建模用戶對資訊感興趣的程度。
? 2010年，Yahoo又發表了一篇更加有效解決冷啟動的文章《A Contextual-Bandit Approach to Personalized News Article Recommendation》。這篇文章基于傳統的Explore-Exploit(EE)套路，大家可能比較熟悉的是為新item隨機一部分流量讓其曝光，得到一些反饋，然后模型才能對其有較好的建模能力，這是最na?ve的EE策略。

? 微軟還發表了《A Multi-View Deep Learning Approach for Cross Domain User Modeling in Recommendation Systems》，文章提出了一種有趣的得到user vector的方法，這是一個典型的multi-view learning的方法。現在很多公司都不僅僅只有一個產品，而是有多個產品線。比如微軟可能就有搜索、新聞、appstore、xbox等產品，如果將用戶在這些產品上的行為（反饋）統一在一起訓練一個深度學習網絡，就能很好的解決單個產品上（用戶）冷啟動、稀疏等問題。

-- 新聞類 App 內容頁的技術實現和優化：
? 上部分通常用 WebView 實現。常規包括標題 + 作者（關注）+ 資訊內容，我們稱為WebView 內容區。
? 下半部分主要是平行于 WebView 的各種擴展內容，常規包括點贊打賞、廣告推廣、相關推薦，熱門評論等等，我們稱為Native 擴展區。

總結

以上是生活随笔為你收集整理的综合类新闻（APP）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。