6-2 圖網絡數據在跟風拍攝中的實踐與應用.pdf

《6-2 圖網絡數據在跟風拍攝中的實踐與應用.pdf》由會員分享，可在線閱讀，更多相關《6-2 圖網絡數據在跟風拍攝中的實踐與應用.pdf（31頁珍藏版）》請在三個皮匠報告上搜索。

1、圖網絡數據在跟風拍攝中的實踐與應用李健偉 生產數分techlead|數據分析師生產數分techlead李健偉KSIB-DA/DA-Product|01圖網絡基本概念概述圖網絡基本概念概述目錄目錄CONTENT|02網絡數據在快手的應用現狀網絡數據在快手的應用現狀03網絡數據在跟風拍攝中的實踐網絡數據在跟風拍攝中的實踐04利用傳播網絡關鍵節點形成頻率錯覺利用傳播網絡關鍵節點形成頻率錯覺圖網絡基本概念概述01|網絡必要元素網絡有兩個最基本的組成部分：節點（nodes）和 邊（edges）|網絡必要元素現實世界的社交網絡主要有小世界網絡(Small-World Network)，無標度網絡(Scal

2、e-Free Network)，和隨機網絡(Random Network)三種結構|中心節點在網絡中扮演了重要的角色，如同維持整個網絡生態的連接器一樣。在不同的網絡結構(場景)中，中心節點的定義可能會不盡相同，例如被眾多鄰居包圍，擁有更多的邊緣(edges),處于連接的重要路徑上，通?？梢杂萌缦轮笜巳ズ饬恐行?Centrality Measures)：網絡關鍵節點|網絡關鍵節點三種常用的網絡節點中心性度量指標：Degree Centrality(度中心性)、Betweenness Centrality(介數中心性)、Closeness Centrality(緊密中心性)度中心性度量度中心性度量

3、介數中心性緊密中心性|網絡基本分類五種常見的網絡類型：無向網絡(Undirected Network)、有向網絡(Directed Network)、加權網絡(Weighted Network)、背書網絡(Signed Network)、多邊網絡(Multi Network)|圖網絡應用圖神經網絡圖網絡因果推斷(Pearl)網絡中社區的挖掘網絡數據在快手的應用02|社區的形成單個用戶是散點，用戶間通過“廣義社交”形成關系對，這無數關系對交織在一起形成社交關系網，最后通過不同社交關系網的特性可以定義不同的社區。|關系網絡-從無序到有序用戶關系網錯綜復雜，看起來就像一張無序的大網，但是我們可以通過

4、LOUVAIN等社區網絡算法，將無序網絡轉化為有序網絡并挖掘出不同的社區。備注：圖表數據均為隨機生成用于演示，無實際業務含義|線下到線上的社區遷移社區31遷移的比較好，有大量的線下好友關系遷移至線上，我們可以給予這些關系做很多有意義的社交策略；社區7遷移的較差，這也體現了這一社群的一些特性，我們在實際業務中也做了一些差異化的遷移策略。備注：圖表數據均為隨機生成用于演示，無實際業務含義|社區策略不同社區用戶具有差異化的行為，但是正如六度分隔理論，即使是不同社區的用戶，也可以通過媒介用戶(網絡關鍵節點)與其他社群產生聯系，進而對更大范圍用戶產生影響。備注：圖表數據均為隨機生成用于演示，無實際業務含

5、義網絡數據在跟風拍攝中的實踐03|什么是風，什么又是跟風風的必要條件：可(易)模仿、生產門檻低、有趣有料、符合大眾品味；跟風：普通ugc和pgc作者能夠基于所看到的視頻，模仿視頻的主題或風格，拍攝出類似的作品。|風的載體|網絡中的關鍵節點超級傳播節點：對網絡影響最大的部分，既能直接影響大量的一度關系用戶，又能影響其他的關鍵用戶，需要定向重點維護；中心傳播節點：對網絡節點用戶的影響最直接，但是影響的用戶繼續傳遞的概率較低；種子傳播節點：自身的直接影響力較低，但是可以促進超級/中心節點用戶繼續生產并影響其他節點；低效傳播節點：最普通的用戶節點，基本無法影響其他用戶跟拍；|關鍵節點策略促產策略“精準

6、制導”命中關鍵用戶：特定召回和排序調權；榮譽激勵任務體系；定向人工運營；|工具賦能業務營造“話題”除了算法分發側的優化，運營的有效干預更為重要，因此高效的工具是平臺“造風”的必要元素。爆款素材識別在快手的爆款素材識別在快手的 應用與實踐應用與實踐利用傳播網絡關鍵節點形成頻率錯覺04|何為頻率錯覺頻率錯覺，也被稱為巴德爾-邁因霍夫現象或頻率偏見，是一種認知偏見，即在第一次注意到某一事物后，有一種更頻繁地注意到它的傾向，導致某人相信它有很高的頻率（一種選擇偏見）。當對某一事物的認識增加，造成它更經常出現的錯覺時，就會發生頻率錯覺。說白了，頻率錯覺就是 你剛剛發現的一個概念或事物突然好像到處出現|生

7、活中的頻率錯覺由于普通人缺少上帝視角，因此我們對于很多事情發生概率的估計是基于自己的感知判斷，此時得到的結論往往是有偏的，甚至是完全錯誤的，那么這些錯誤的認知從何而來呢？|視頻創作中的頻率錯覺連續看完這三個視頻，你會不會覺得這個視頻風格很流行，有沒有想跟拍的沖動？|頻率錯覺的影響人們在重復看到某種特定屬性的內容后，會深刻影響其后續的行為，其追隨“潮流”生產類似視頻的概率大幅增加。備注：圖表數據均為隨機生成用于演示，無實際業務含義|頻率錯覺影響回到剛才討論的問題，用戶重復看到特定主題、玩法的視頻后生產類似風格視頻，此時我們能將該作品的生產歸因到重復推薦導致用戶形成頻率錯覺上嗎?of course

8、 not！同主題作品分發次數(T)用戶畫像+行為特征+節假日等外部信息(X)用戶是否跟拍(Y)|頻率錯覺影響及價值在做因果推斷時，篩選混淆變量X是至關重要，這決定著我們能否將T（同素材作品重復分發次數）對Y的因果影響計算的更純凈。|基于DML計算頻率錯覺的影響我們使用雙重機器學習模型（DML）計算頻率錯覺對用戶生產的影響，在不同的地區，頻率錯覺均會顯著提升用戶的生產意愿。因果推斷的概述詳見金雅然老師的文章：因果推斷與實驗設計|如何形成頻率錯覺在驗證了頻率錯覺有助于激勵用戶跟拍后，我們如何利用這一結論，讓用戶形成頻率錯覺呢？對超級傳播節點作品加權取消特定主題內容的打散策略運營活動預熱，增加用戶印象產品功能上突出熱門素材展示Q&A|