第二个是对用户属性变化，这里包括基本的用户年龄、职业、性别，最重要的一个是对用户使用场景的一个标准化。这个场景其实是非常不一样的，是非常重要的一个地方。传统大家说，比如说用户画像，更多是兴趣和属性，但是实际上用户的兴趣并不单单只是兴趣，更多是在使用场景。

比如说王宝强事件，平时不关注娱乐的人，他可能都会扒一扒这个事情的进展。女排事件也是非常典型的，女排发生之后，很多人平时可能看女排很少，但是在今天这个事情发生之后，所有人都希望吼一句，助威一句，不同场景用户行为不一样的，所以怎么样识别用户在不同场景下的阅读行为。这里包括你的阅读位置，地理位置。比如说像我，我老家在湖北，我自己在北京工作，我除了关心北京本身的一些事情，同时我也非常关注我家里的事情，怎么样把你这个人，你的家乡，你的生活地，你的居住地，能够区分出来，是非常关键的。

我们现在正在做一个特别有意思的案例，怎么样区分？北京回龙观宇宙中心技术互联网镇的一个行为的收集，怎么样把这个小镇里面用户所有大大小小的事情，你关注哪个小区又发生什么事情，第一时间触达用户，这个事我们在这里面做了非常多的努力工作。

说完前面的用户画像的标准化和用户画像的采集，另外一个是我们说的，推荐算法体系。推荐算法也是基于用户画像和用户阅读行为，并且以机器方式分析好用户本身兴趣进行分发。刚刚也提到过，用户兴趣不是持续存在的。

比如说当你去买房子的时候，你可能特别关注房价。当你去买车的时候，你可能对车子的信息特别感兴趣。但是过了这个时间，你可能就不感兴趣了。这段时间周期该怎么识别，需要非常多的努力。

另外还包括随机的兴趣，当一个事情发生之后，大家可能都会特别关注，都会扒两句这种普世性兴趣都存在，你不能因为用户普世性兴趣决定用户对这个事情感兴趣。比如说他看了王宝强事件，他是不是对娱乐感兴趣？不一定，如果在这里边做甄别？我们解决方案主要是三个大的程度：“第一个是内容的关联度，第二个是兴趣的关联度，第三个是场景的关联度”。

内容的关联度主要是保证，让内容与用户点击行为做匹配，第二个兴趣关注度主要保证用户阅读兴趣和阅读标签，能够和内容的标签进行匹配。第三个就是对用户场景的收集，包括他的地理位置，包括他的一些持续的阅读时间，是早上读还是中午读还是晚上读，这种不同的阅读的场景，进行收集，进行控制。所以说这三个关联度，是我们做整个推荐算法的最关注的体系。

与此同时，对用户兴趣的收集和用户关联度这种收集，主要是通过协同推荐的算法，和内容精编的体系，目的打破信息传播壁垒，让用户对当前场景下最感兴趣的内容，即使推送给自己，这个时候会让用户有一种惊喜感和喜爱感。比如说当我在家里，给我推送一条我自己小区，或者我自己老家的一条消息的时候，这个时候的感觉，其实给我看大而全的新闻，这种感觉是完全不一样的。

所以我们希望，通过对用户场景和用户喜好的持续分析和持续的解读能力，让整个用户的阅读行为更加完善，用户阅读的喜好更加全面。

以上就是我对内容生产到内容发现和监控，和内容分发这三个领域腾讯具体的做法，希望对大家有借鉴意义，谢谢！

分享让更多人看到