您的位置:  首页 > 报刊纵横 > 正文

学术期刊精准传播平台构建与内容推荐*

2020-03-23 10:54 《中国出版》 赵庆来 次阅读 条评论

  [摘   要]  人工智能和大数据正在掀起一场新的内容革命,信息智能分发在内容产业得到广泛应用。学术期刊内容精准传播的关键是信息与用户的“智能匹配”。学术期刊知识信息“智能匹配”的载体是资源供给、大数据分析、内容智能生产和传播、用户沉淀等技术平台;核心是通过运营大数据开展用户画像、受众细分和消费预测;关键是利用算法推荐技术开展基于用户需求的信息精准分发,实现高质量学术内容与受众的匹配。

  [关键词]  学术期刊   大数据   智能传播



  海量信息中鱼龙混杂使得真正有价值的信息被大量垃圾信息所淹没,造成了信息的相对匮乏,在海量信息中提取相关内容正成为一种专业性的工作。新时期知识生产与传播的环境及方式发生了变化,学术期刊“知识服务”的属性突显,知识信息的有效供给成为期刊发展战略的重要考量因素。提高知识供给服务能力是提升学术期刊知识生产价值和传播力的关键,而知识供给服务能力的核心是内容与受众的精准对接。学术期刊的知识信息“含金量”高,用户群体特征突出且稳定,智能化信息传播技术在出版领域的广泛应用为学术期刊“以智能技术提升传播力”提供了契机。


  一、学术信息精准传播的关键是信息的精准推送


  学术期刊是学术传播的重要载体,“内容为王”始终是学术期刊坚守的出版法则,在传播渠道价值日益凸显的当下,高质量、专业性的内容依然是学术期刊生存的法宝。学术期刊知识生产价值的实现,内容质量是基础,也必然包括传播效果的提升。人工智能和大数据正在掀起一场新的内容革命,[1]智能推送成为当前传媒业信息传播的新举措。今日头条、一点资讯、天天快报等智能移动终端的第三方应用程序(APP)都在利用智能算法进行内容分发和推送。如今日头条作为新一代技术基因更为鲜明的高科技公司,其本身并不从事内容生产,而是基于数据挖掘和智能推荐引擎技术实现内容的推荐。在美国,国际期刊联盟、赫斯特集团、新闻聚合性网站、脸书(facebook)也纷纷转变策略,由以往的把内容放在网站上让读者自己搜寻变为主动推荐到社交网站或社交媒体通过分享来提升信息传播效果。学术期刊培植了强“内容基因”,但本身缺乏强力传播的“技术基因”,传统期刊知识传播陷入困境的原因是因互联网冲击带来的信息与用户的失联。内容传播是学术期刊的本质属性,学术期刊必须利用新技术拓宽自己的生存与发展空间,重建与用户的连接。[2]当前互联网、多媒体融合、智能传播以其强大的技术优势和功能作用嵌入到传统媒体的生态空间,[3]实现信息传播由以往的“人找信息”到“信息找人”的传播方式转变,构建信息传媒的新技术、新业态、新模式,这为学术期刊内容的精准传播提供了技术支持。

  信息精准传播是大数据、人工智能与传媒业有机融合的产物。学术期刊内容的精准推送是一种信息智能化的知识服务,是基于大数据平台的信息和用户个性化、定制化的信息精准匹配。学术期刊由于其较强的学科性与专业性,有着特定且稳定的受众。学术期刊依托以“互联网+”和“大数据+”为基础的智媒平台,在洞察用户的消费心理、需要和应用场景的基础上,快速完成用户与信息的精确对接,可有效降低用户获取信息的成本,满足用户多元化、个性化的信息需求,在更好地践行知识服务理念的同时,也有助于学术期刊知识生产与社会经济价值的尽快实现。


  二、学术期刊信息精准传播的技术路线


  学术期刊信息精准传播的技术路线包括技术平台搭建、运营大数据和基于算法推荐的知识信息精准推送。

  1.技术平台搭建

  资源供给平台。资源供给平台是硬件、软件、数据、云存储和平台服务的集成,其中学术资源位于学术期刊智能传播整个链条中的前端,是基础性资源。学术资源的形态已不再是传统的文献资料,而是包括文本、图像、音频、视频以及各类知识数据,涵盖文、图、视、微、端等全渠道稿库。资源样态的多元化有助于知识信息的分类筛选、摘编和深度加工,使知识资源集成化、系列化、模块化。学术资源供给平台应与学术期刊网站、专业联盟数据库以及以中国知网为代表的知识发现网络平台等实现数据共享链接。这些信息来源各异、增长迅速、动态集成,通过互联网采集、接口导入、历史数据导入、远程汇聚等方式集结成大数据资源中心,构成学术资源的“大数据库”。

  大数据分析平台。大数据是移动互联网时代媒体的新生产要素,在传播链条上发挥着决定性的作用。大数据分析平台是以新一代信息技术和人工智能为支撑的平台,其运作是数据导入、数据存储、数据分析和分析结果可视化的过程,有数据源、数据的采集、存储、计算、分析和应用等功能模块,其功能主要是:第一,数据分析。从海量数据中深挖数据价值,让数据分析参数运用到期刊运营的方方面面,如用户数量、用户年龄、地域分布、消费方式、知识产品使用偏好,等等,为学术期刊有效传播提供更精准的参数。第二,数据管理。通过数据整合与管理,帮助管理者进行数据治理、数据资产管理,支撑数据价值发现,智慧化地将管理数据转变为服务数据。第三,数据应用。为管理者开展描述性、预测性和规范性分析提供支持,将数据分析结果转化为支撑期刊内容传播的应用。第四,数据运营。将分析数据融入到期刊战略目标各项绩效指标,实现有数据支撑的内容精准靶向分发和期刊传播数据化、智能化、网络化的服务。

  内容生产和传播平台。实现学术期刊的知识与用户的有效链接,需要构建对知识内容的智能化深度加工处理平台,在知识产品生产和传播的高度融合中完成知识信息的智能化匹配。智能生产和传播平台由数据资源聚合、融合生产创作、选题策划分析、传播效果分析、多元渠道协调、用户资产运营、综合管理等多个功能模块组成,一体化流程贯穿知识内容生产与传播的策、采、编、发、播、评的环节。平台以“中央厨房”的方式运营信息的生产与传播,一次采集后生成适应不同平台传播的多种知识产品,以及碎片化整合加工出多款融媒体知识产品。平台不仅关注传播渠道本身的丰富性,更要强化不同渠道之间的协同服务,以渠道-客户-内容适配、信息互通共享、渠道互补等方式服务于用户。平台基于用户画像、用户消费场景、知识内容特征(如知识标签、热度、时效、相关度)多渠道多终端实现从图文到音视频的全媒体贯通、全媒体推送。智能内容聚合及智能场景分发实现了生产、服务效率的提升和用户体验的优化。其运行原理见下图。



TIM截图20200323105002.jpg


  用户沉淀平台。用户沉淀程度直接反映了资源平台的热门程度和对用户的吸引力。学术期刊专业化、原创性的内容是沉淀和集聚用户最好的先天优势。用户沉淀平台是将用户消费数据沉淀下来进行整合、清理、认证、管理、记录以及深入挖掘、分析,实质是通过内容来沉淀与用户的关系。沉淀平台包括用户数据采集及处理、数据存储与管理、行为分析、肖像刻画、应用管理等方面的内容。其作用包括:第一,建立用户数据仓库,实现对各媒体不同渠道用户信息的统一存储管理。第二,提供分析用户的下载、购买、浏览、转发、评价等消费行为,为用户画像。第三,通过对用户肖像的刻画、行为轨迹等多维度的分析,细分用户群体。第四,用结构化的数据存储大量用户信息,利用人工智能技术对数据库进行挖掘,建立用户模型。第五,分析用户消费变动趋向,为策略或知识产品供应调整提供参考。

  信息精准传播技术平台是一个全程智能化的协作系统,其中智能生产和传播平台是技术平台的中枢,统筹知识产品分发、渠道协同、数据采集与转换等作用。通过平台构建,实现信息传播的几大转变:内容生产以数据为中心,信息处理转变成智能分析,媒体转变成融媒体形式,信息传播转变成共享性的信息再生与知识服务,运营平台转变为“生产+经营”平台。[4]

  2.运营大数据

  学术期刊智能推送的核心是内容与受众的匹配,是信息的精准找人。推送内容是“静态”的,已经存储于资源库中,需要做的就是进一步整理加工成多元化的能够在多种终端使用的知识产品,满足受众的多元化消费需求。而受众是“动态”的,淹没在茫茫人海中,是需要精准识别和捕捉的。对受众的精准识别和捕捉是实现学术内容智能推送的关键一步。大数据信息采集实现了从人到物的多层面贯穿,既能反映“因果关系”又能反映“相关关系”,不仅能够回答“为什么”又能回答“是什么”。运营大数据是实现信息精准推送的核心环节。

  用户画像。用户画像是根据用户的社会属性、生活习惯和消费行为等信息而抽象出的一个标签化的用户模型,是真实用户的虚拟代表。画像内容主要包括用户的固定特征、兴趣特征、社会特征、消费静态与动态特征等。对于学术期刊内容的推送,把握用户的固定特征,如性别、年龄、地域、教育水平、职业、地域,以及用户的消费兴趣特征,如使用APP、网站、阅读方式、终端使用、浏览/收藏/评论内容、品牌偏好、产品偏好等尤为重要。学术期刊消费目标群的基数低,特征明显,服务标准高,用户黏性强。给特定群体提供专注的服务才能实现期刊出版价值的最大化。用户画像是实现学术内容与受众精准对接的基础性工作。

  受众细分。大数据累积的受众消费信息为受众细分提供了数据基础。利用大数据细分受众是基于用户的消费“痕迹”,主要是用户的网络行为数据(活跃人数、页面浏览量、访问时长、激活率、外部触点、社交数据等),专业网站行为数据(访问路径、页面停留时间、访问深度、页面浏览次数等),内容偏好数据(浏览/收藏内容、评论内容、互动内容、产品形态偏好、品牌偏好等),用户互动数据(引用、转发、评价、反馈等)等信息,在对海量客户数据进行收集整理后,通过对这些数据的深入分析,找出细分后的用户群所具备的消费特征,有针对性地推送与之相匹配的相关内容或知识链接。这些知识信息的匹配不仅是内容上,而且是知识产品的形态、使用终端、阅读方式等方面的匹配,目的是给用户提供良好的消费体验,引导客户开展深阅读。同时还要采取措施增强用户对知识产品及服务的黏性,避免客户流失。利用精准细分技术对受众群体消费行为模式与趋向进行判断与分析已经成为产品(包括知识产品)精准营销的主流方式。

  消费预测。社会化媒体的运用让用户的行为由单纯的信息内容获取变为集消费、创造和分享于一体的综合互联网利用行为,用户平时浏览的网页、搜索的内容都会被大数据记录。大数据最大的价值不是事后分析,而是预测和推荐,预测是大数据最核心的应用。百度基于用户喜好进行精准广告营销、阿里根据天猫用户特征包下生产线定制产品、亚马逊预测用户点击行为提前发货均是受益于互联网用户行为预测。利用数学的思维模式分析大数据,在某种程度上可以预测出用户对学术期刊未来某种消费倾向出现的概率,实现对用户消费意向的洞察,绘制出未来用户更可能出现的知识消费图谱,从而有目的地推送相关知识产品。用户的消费呈动态变化,预测用户消费动向不仅使产品推送更有目的性,更可以扩充消费群体。由于大数据预测依据的是关联性而非因果关系,是针对可预见的一段时间内所进行的动态预测,注重速度与时效,这有利于知识推送决策和产品的及时调整。

  3.基于算法推荐的知识信息精准推送

  智能内容分发技术重塑着出版业内容生产的模式和流程。算法推荐是一种内容智能生成机制和传播策略,是基于内容资源、大数据技术和用户三者统一的一种信息精准分发技术,类似于信息发送的“私人订制”。[5]算法推荐是通过分析用户消费大数据进而生成与目标用户消费需求最相近的内容并予以推荐,让信息展现给对其感兴趣的群体,并帮助用户发现对自己有价值的信息,实现信息提供者与用户的双赢。对于信息生产和传播来说,算法推荐技术事实上充当了内容分发过程中的“编辑”角色。[6]虽然在算法推荐盛行之下,信息传播实现了用户与信息的快速精确匹配,也引发了诸如大量低俗劣质内容推送、大数据杀熟、“信息茧房”形成风险等诸多问题,但学术期刊内容专业性强,质量高端,受众相对量小且稳定,算法推荐仍不失为实现学术信息精准推送的有效手段。算法推荐有多种方法,结合学术期刊的内容特点,可采用以下推荐方法。

  基于内容的推荐,稳定传统用户。算法推荐根据用户对内容的点击次数、停留时长以及举报、屏蔽、转发、评论等阅后反馈,生成用户个人偏好内容数据并通过多维度分析勾勒出用户对相关内容的消费图谱,进而计算出与用户所消费内容关联性较高的知识产品予以推送。大数据以多维坐标将内容与人关联,不仅能掌握用户消费的基本取向,还能研判出用户的消费兴趣、品位、知识结构、需求趋向等深层次信息,[7]可以有效捕捉与反馈用户的兴趣点,综合多种精准化的计算,将学术内容进行筛选并推荐给相应用户,从而实现“越算越精准”。在算法推荐营造的“拟态环境”里,一方面,用户持续收到契合于自己偏好的知识信息,通过良好的消费体验,可有效提升用户对服务的满意度,逐步深化对知识产品进一步探究的动机与行动,有助于引导或重塑用户消费倾向。另一方面,算法根据用户反馈的动态数据及时“计算”出用户对所推送内容的接受和反馈数据,分析预测,不断调整知识产品的内容与形态,可增强用户的满意度和消费黏性,稳定传统用户。

  基于用户关联的推荐,发现新用户。学术知识的消费群体是动态变化的,发现新用户是扩大学术期刊知识消费受众的重要手段。互联网时代,信息共享是用户之间关联的重要纽带,基于“跟你喜好相似的人喜欢的东西你也很有可能喜欢”的假设,用户关联的推荐主要是用于新用户的挖掘,其步骤是:建立用户模型—寻找最近邻居—产生推荐内容。方法是通过固有消费用户与其他关联用户的关联数据发现对内容感兴趣的用户 (也称为关联用户的“最近邻居”),并根据该用户对相关内容的态度和偏好程度推算用户之间的关联性,将关联度较高的用户确定为新目标用户,并推荐相关内容。当前,基于用户阅读习惯的改变和移动终端普遍使用的现实,学术期刊要优先考虑“移动优先”的信息传播战略,让优质内容尽快与用户匹配,从而获取更多内容与用户的关联数据,为发现新的用户群体提供数据支持。

  基于深阅读的推荐,培养忠实用户。不同于一般知识,学术知识价值的实现需要用户的深阅读。学术知识的深度阅读是知识向精、深、专方向的延伸,学术期刊的知识内容在内容结构上有着深度的关联性,深度阅读有助于提升用户对期刊品牌的依附和认同,增强阅读黏性。深阅读用户在学术专业性术语浏览的频率、停留时间、相关专业知识链接的频次与深度等消费特征突出。基于深度学习的算法推荐要以学术关键词、学术热词等为线索发现目标用户。深阅读的推荐首先要以知识条目或知识碎片化方式推送的浅阅读方式加强对目标用户的视觉冲击,并附加知识模块延伸与深度知识链接,使浅阅读与深阅读有效衔接。

  点播式阅读也是一种深阅读。点播式推荐是把过去的被动受控式信息获得方式变为受众或用户的自主选择方式,目的是满足用户的个性化、专业化的信息需求。点播式知识推荐平台一方面要以“超市”的形式将产品系列化展示,以知识产品的条目醒目、品种多样、内容新鲜、结构关联、链接方便为用户索取提供帮助;另一方面,平台要与用户构建畅通的沟通渠道,及时捕捉用户的消费反馈和新需求,推送相关内容或调整知识产品结构。鉴于学术期刊的知识特点和用户特征,花钱“买知识服务”应成为学术知识的一种消费方式。质量高端、专业性强的学术期刊,可采用知识付费的方式为用户提供专业化、个性化的垂直服务,便于用户直接“订购”。知识点播式推荐与购买服务相结合,不仅有利于知识的精细化推送,也利于平台对知识产品的深耕。


  三、结语


  出版传媒业一直是对新技术应用最为敏感的领域,大数据和智能化的出版传播,正推动出版传媒业在个性化、精准化的深层次服务上不断突破。[8]信息智能化已悄然进入我们的生活,信息智能推送是传媒业不可避免的发展趋势。随着第5代移动通信技术(5G)时代的到来,虚拟现实(VR)/增强现实(AR)、人工智能等新技术将驱动出版业的又一次变革,媒体与科技融合发展空间无限宽广。学术期刊面对这一趋势,应主动拥抱新技术引领新变革,改变求大求全的传统传播方式,走精细化发展之路,以智能化实现高质量学术内容与受众的“定点约会”,形成内容方、出版方、技术方、用户方深度融合的新机制和多方共赢的新生态,筑牢专业化、特色化的竞争力。

  (作者单位:长江师范学院学报编辑部)


  *本文系国家社会科学基金一般项目“网络文化企业生态圈协同治理机制研究”(19BGL286)阶段性成果


  参考文献:

  [1]靖鸣,赵晓彤.智能时代传播内容的生产建设与运营[J].出版广角,2019(7)

  [2]杨效宏,徐晓芳,陈婧.智能传播推进动态新闻内容的多元化创新[J].新闻界,2017(6)

  [3]李永杰.学术期刊的坚守与创新[N].中国社会科学报,2015-12-14

  [4]郭全中.重建用户连接的三大平台建设[J].新闻与写作,2015(10)

  [5]王仕勇.算法推荐新闻的技术创新与伦理困境:一个综述[J].重庆社会科学,2019(9)

  [6]倪弋.网络时代,应如何规范“算法”[N].人民日报,2018-07-04

  [7]王亮.人工智能技术环境下新闻出版业运作模式创新[J].出版参考,2017(9)

  [8]邓杭.算法推荐的风险防范和导向管理——发挥算法推荐对网络舆论的正向价值[J].新闻战线,2018(11)


热度排行