正文
先抛出个人的结论：编辑（中心人工主导）分发、算法（机器主导）分发、社交（离散人工主导）分发各有千秋。内容分发服务追求的是分发所能触及的远景，为了达成远景，就需要探寻每一种分发更合适的应用场景，而不是要在“剑宗”和“气宗”里争个高下。
本节试图探讨的，就是每种分发方式适应的场景和它们在内容分发系统里的应用。
编辑分发 vs 算法分发
从纸质报纸杂志到广播电视，再到门户网站，尽管信息传播的载体发生了变化，但是内容传播始终保持着中心化分发，展示位有限、千人一面的状态，信息传播的决策权始终握在编辑手中。
编辑分发的优势在于，借由专业背景知识完成了从海量内容到有限展示位置的过滤和筛选，经过筛选的内容，其平均质量是相对较高的。然而，基于专家的判断难免会出现偏差，为了降低“叫好不叫座”或单个编辑偏差的情况，内容分发方也上线了相应的策略。比如传统纸媒会有编委会投票机制，通过多人判断选题，又如门户网站分时段上首页，点击率一定时间不达标自动下架等措施。
引入了机器推荐算法的分发系统，由于达到了千人千面的效果，展示位数量得到了大量的扩展。在筛选人力不足以匹配展示位数量的情况下，编辑又起到怎样的作用呢？
首先，人工同机器一定不是对立的，不然，今日头条也不会吸引到如此多资深的传媒背景从业者。 我和组内的同事不止一次的真心赞美吴达（时任头条号运营总监）：“我们的运营团队都是豪华高配的文化人。我跟吴达老师聊天，是要带字典的orz”。
编辑能够帮助推荐系统更好的理解内容，也能帮助我们更好的理解站在内容背后的创作者群体。
在内容层面，编辑和审核团队是能够决定什么样的内容是低质的，不应被系统收录和推荐的。编辑和审核评估团队就像是内容推荐系统的门神一样，对于不OK的内容Say NO，对于低质背后的做号者Say NO。
作为最大的信息和社交分发平台，Facebook也在事实甄别和低质内容管理上强依赖编辑和审核的人工工作。
2016年12月16日，Facebook上线了Fact-Checking（事实审核）机制，将用户举报过多的信息交付机构记者来判断。如果记者判断这则内容是假新闻，就会将内容标记为存在争议，一方面会在前端页面提示给用户此内容可能失实，另一方面会从分发量的角度进行控制。
2017年5月，扎克伯格发帖称Facebook会再招聘3000名内容审查员，在此次招聘后将会达到7500人。审查员会过滤社交媒体上的不适当内容，如恋童癖、身体暴露、种族仇恨等内容。
除了Say NO之外，编辑同样会对什么样的内容特别值得推荐Say Yes。
以推送场景为例，作为强打断的场景，被推送的内容需要被审慎的筛选出来，以保证打断用户是值得的。在新闻客户端上，一贯强调筛选出“Breaking News”，当重点新闻发生时，编辑一定是24小时值守的，验证真实性、确定推送范围和推送级别，只为了不错过每一条值得用户关注的内容，让用户能够更准确快速的获得最新的消息。在这一过程中，技术能够辅助更快速的构建新闻候选集，比如追踪社交媒体、追踪重点网站的发布情况（如气象局、交通局）等，但人工才是做出最终裁决的角色。
当然，为了保证系统的可扩展性和有效性，我们希望在日常推荐中尽量避免人工的直接干预，如对内容进行调权、对展示量进行干预等等。但是，不直接干预并不代表缺位，编辑始终在扮演一个“纠偏”的角色，当发现主观觉得好的内容没有得到应有推荐量的时候，当发现主观觉得差的内容得到过高推荐量的时候，都会给产品和技术做出反馈。在这种情况下，产品、技术、编辑（内容运营）会坐下来探讨：其一，这是不是一个问题，如果是问题的话，是不是一个频发的问题，以此来确定解决与否和优先级；其二，探讨更系统性的解决方案，让这一类而不是这一个问题得到更系统性的解决。
在创作者体系层面。我们常说，做产品要有用户视角。作为平台方，你在面对了亿万用户的同时，也在面对万量级的作者。作者同样是内容分发系统的用户。编辑会更理解创作者的语境，成为创作者和作品的代言人，来影响系统的迭代。与此同时，他们也能够以创作者更可理解的方式去传递平台的规则，帮助不同阶段的创作者在平台更好的成长。
题外话，我发现吴达老师的案头摆了本《python数据分析》了：文化人懂技术，谁都挡不住，笑。
社交分发 vs 算法分发
在Facebook、微博、微信覆盖了越来越多的用户之后，内容的分发逐步去中心化：每个人都可以创作内容从而成长为自媒体，每个人都可以借由社交关系评论、转发从而完成传播。信息的传播权从传统的精英编辑让渡到每个普通人受众，相当于每个人都成为了编辑，成为了内容分发的中心。
社交分发首次让信息的传播变成了“千人千面”。每个用户都有了个性化的内容消。2010年，Facebook主页访问量超过Google访问量，意味着“社交分发”已经成为了主流的分发方式。援引皮尤研究中心此前的调查，美国成年人中有62%通过社交媒体获取新闻，18%高度依赖该平台，通过Facebook阅读新闻的人数占比高达44%。
当然，社交分发也带来了新的问题：
一方面，进入稳定期后，流量出现了新的垄断：一些大V由于拥有海量的粉丝、保持了高频的发布量，事实上掌握了平台的流量分配权。比如，微博上大部分流量被营销号和大V所占据，新的内容生产者获取流量的成本剧增。
另一方面，随着社交关系的不断扩张，微博微信已经成为了线上名片，用户关注了越来越多的来源，基于社交分发的内容质量也逐步下跌。朋友圈中盛行的养生文、微商、晒娃等等就是最好的例证。
社交分发让人们免于信息匮乏，却同样带了信息过载的问题。为了优化用户的信息消费体验，Facebook率先在自己的News Feed中应用算法进行排序。
Facebook最初的排序方式，称之为边际排名算法（Edge Rank Algorithm）。
算法的核心计算公式为：E = uwd:
- u：用户与内容发布者之间的亲密度分数，互动越高的关系分数越高
- w：不同反馈动作具有不同的权重，如展示、评论、点赞等。比如评论动作的权重就会显著高于点赞。
- d：基于时间的衰减，越新的内容权重越高
借由上面的公式不难看出，亲密度和动作的引入，极大的抑制了大V和营销号刷屏的情况。此前，企业账号一旦获得了粉丝就相当于获得了稳定的广告位，所有新广告以几乎0成本的形式展现在这些粉丝的信息流中。但此后，没有互动的粉丝就只是停留在页面上的一个数字而已，企业账号必须同时下力气来维护自己的粉丝群体。
在随后的日子里，Facebook致力于借由机器学习方式改进排序算法，除了最初的3个EdgeRank因素之外，不断追加新的特征和排序方式，如Story Bumping（系统对用户错过的信息中进行二次判断，如果判断为重要，则会跳过时间序进行置顶展示）,Last Actor（系统根据用户最近频繁互动的50人，进行信息排序的调权，放大短期兴趣的影响）等等。
无独有偶，在国内，微博也逐步意识到自己的流量被大V和营销号所挟持的问题，开始越来越多在信息流之上应用推荐算法，将原有的时间排序调整为智能排序，以控制刷屏、广告泛滥等问题，优化用户的使用体验。如果你有关注过微信朋友圈的分发，就会注意到，某些被疑似过度传播的内容（微商广告、转发集赞）是被微信降频过滤的。
微博、Facebook将关注关系作为筛选因素，将用户的点击、评论行为作为调权因素，是在“关注关系产出内容”的候选集上进行算法排序。相较起来，头条将关注关系也弱化为调权因素，从而获得了一个更广泛的候选集范围（用户相当于在头条上关注了所有的头条号），在此之上进行的排序能够有更高的效率匹配性和更好的可扩展性。
算法分发 分发的终局？
某种角度来看，算法分发或许可以被称之为终极解决方案。
为什么这么说呢？因为推荐算法是个筐，什么都能往里装。它是基于我们对现实世界理解进行的抽象和建模，所有我们关心的因素（编辑分发、社交分发）都可以转化为算法推荐的参考因素。
如果我们化简这个问题，将推荐的因素收敛到编辑因素、社交因素、模型因素三个部分，那么，一个内容在系统中的得分可以表示为下列公式：
内容得分= a编辑因素 + b社交因素 + c*模型因素
a,b,c分别为三个因素的权重。如果我们把某个因素的权重置为1，其他因素的权重置为0，那么算法分发就能够等同于编辑分发或社交分发。
各种权重的调节，则完全是以平台的价值感导向所决定的。以FaceBook为例，其认为来自真实好友关系的生活记录内容更重要，在分发过程中就会加强真实好友生活记录内容的权重，而弱化他们转发内容的权重，进一步弱化媒体所发布内容的权重等等。
事实上，我们所熟悉的各类内容分发产品，无论起步如何，如今都走上了一条多元素融合的道路上：依赖中心化编辑引导和干预，依赖去中心化用户生产传播，应用机器学习提升效率。新版的微博也在关注频道的旁边放置了热门频道，提供了不依赖于订阅关系的内容推荐服务，微信都上线了实验室功能“看一看”。
沉迷气宗剑宗之争的看官们，还是散了吧。
