[译] 海量视频时代下的内容发现之旅_Android_开发者的专栏文章_微信文章

原文地址： Discovery in the age of abundant video

原文作者： Albert Reynaud

译文出自：掘金翻译计划

本文永久链接： github.com/xitu/gold-m…

译者： Yuhanlolo

校对者： DateBro

提升内容发现平台上用户体验的关键因素

如今在互联网上，人们可以接触到海量的视频信息，而提供这些视频的平台数量已经超过五年前的两倍。因此，人们往往需要花费更多的时间和精力（ +13% YoY ）去搜索自己感兴趣的内容。

对于大部分内容创作者而言，随着许多开放式（“OTT”）平台的激增以及新型消费习惯的形成，建立平台对用户的粘性越来越具有挑战性。而具备让用户能够在各种情景下畅行无阻地享受视频探索过程的能力，很大程度上可以保证这些平台的成功。

在这篇文章里，我将分享我在欧洲各个媒体平台的工作经历中收集到的关于内容发现的一些干货以及实际操作。由于谷歌是用户进入你的应用或者网站的基本途径，我将集中讨论用户进入你的应用之后的发现过程。

让我们先来谈谈发现！但是等等，我们应该如何评估用户的发现之旅是否成功呢？

无需强调选择正确的 KPI 对于评估内容发现实验的重要性。有意思的是，无论你是否使用视频订阅（“SVOD”）、投放广告（“AVOD”），或者商业传播的服务，这些 KPI 在不同情景下会非常不一样。下面是一些通过 KPI 来评估用户在内容发现平台上的体验的常见例子：

这些短期 KPI 的潜在问题在于，过度地关注它们反而会导致你偏离原本的长期的商业目标。比如说，你可以通过推荐低质量的轰动性内容增加播放量，但从长远来看，这样做会影响平台的形象以及用户的忠诚度。

因此，我推荐采用短期 KPI 和长期 KPI 结合的方式，比如说 订阅人数或 30 天之内的用户留存率。 虽然这比 A/B test 更加困难, 但它可以保证你为用户所提供的体验与你的长期商业目标是一致的。

当推荐引擎变得更聪明的时候，它们毫无疑问地将在用户对平台内容的认知里扮演越来越重要的角色。它们贯穿于整个媒体平台，从动态排序，语义搜索，到集合聚类。

许多系统在使用基本的推荐引擎时取得了一些成功。然而，越来越多的内容提供者正在为他们的推荐系统寻找更复杂的方法，比如：

但是你不能期待算法为你实现所有的事情。找到算法与长期目标之间的平衡比它看起来要复杂得多：

间接反馈与直接反馈： 如何解释间接反馈呢？用户的什么行为需要被考虑：点击视频，完成回放？如何简化直接反馈呢：评分，点赞等等？最近升级的 Play Movies & TV 是一个典型的例子。我们添加了喜欢和不喜欢的按钮作为直接反馈，并且将该反馈加入推荐算法中 — 这里有一个 16 秒的示例 video 。
手动编辑与自动化： 如何保持由你的品牌和配置组成的人类推荐呢？内容发现解决方案提供商 CogniK 推荐通过编辑部门提供的内容列表来改进推荐引擎。类似地，编辑部门可以通过增加特定内容或是分类的权重来控制推荐引擎的某些参数。
实时推荐与按需推荐： 何时需要考虑其中实时推荐多于按需推荐，或是按需推荐多于实时推荐呢？如何在不让用户感到疑惑的情况下将这两者结合呢？
流行程度与新颖程度： 如何推荐新的和未知的内容，并且避免回声效应呢？如果应用界面与流行趋势不相悖的话，基于合作式过滤的推荐通常会与趋向于当下流行的内容，那么如何平衡意外发现新奇内容的几率和推荐内容的相似程度呢？根据用户在平台停留的时长，一些内容提供者倾向于提高用户意外发现新奇内容的几率。