新闻资讯

　　信息技术持续在变革，信息技术的变革一直会影响着信息传播的方式。最早期信息的传播，更多是靠形体语言，其实这种传播方式，现在在生物里面也会有很多体现。大家如果读过KK的《失控》，他会讲到蜜蜂会通过群体翅膀的抖动，和一些转动来传播他们群体的信息。随着人类技术的发展，象形文字和文字的出现，让信息传播更加便利，同时信息的可复制性还有信息的一些传播的成本，还有它的延续性和生命周期也大大提升了。但是这个时候会有一个很大的问题，当时的信息载体，比如说甲骨或者丝泊、纸张成本非常高。

　　而进入现代，报纸、电视、广播这样的载体，成本快速下降，所以导致信息产业和媒体产业快速成长。而进入到互联网领域之后，信息更是零成本复制。而这种复制的方式，也导致网络媒体快速星期快速成熟。但是我们看，无论是信息技术怎么变革，媒体产业如何变革，离不开一个内容，信息内容本身始终为王。同时我们还发现，用户阅读信息的渠道不同的时候，用户对于整个阅读行为也是不一样的，尤其在社交场景下，用户更愿意表达自己的感受，而且特别愿意去让信息能够理解自己。其实这两个点，是在不同阅读场景下一个特别大的变化。

　　而腾讯媒体业务，拥有中国目前，最优秀或者说最大的用户触达渠道。我们拥有腾讯新闻，是目前中国最领先的资讯APP产品，还有我们最近打造的天天快报，是另外一个基于兴趣阅读的产品，以及我们传统的门户像腾讯网，还有在社交媒体渠道微信上的新闻插件。其实这些载体，很多朋友就会关注，你们腾讯作为一个网络媒体，你并不能生产内容，你如何去保证你的这些内容，能够第一时间快速的触达给广大的网友？同时用户在不同场景下，阅读兴趣是不一样的，腾讯如何做到以最高效的方式把用户最关注的内容推送给用户？

　　在信息采集领域，我们目前采集了目前已知所有各大内容提供方所有内容来源，包括资讯APP，微信、微博上的大V，外媒、通讯社，核心的报纸、周刊、机构、政务，包括线人渠道和自媒体，这是我们整合最全的内容形态，每天大概有40万篇以上的内容会采集到这个平台上，内容采集后这时候最大的难题是怎么样把最优质的内容筛选出来提供给采编团队分发？这个时候基于我们自己，会有自己的机器学习技术，把重要的内容，去筛选、排重，根据媒体本身的权威性根据媒体本身内容报道纬度，我们会对机器进行排重学习，同时会有采编团队帮助我们标记整个内容的标签，用户的标签，保证内容被机器能识别出来。其实机器是不懂人的，必须要有人告诉他，什么是好内容，什么是不好的内容，机器是无法判断这个东西的，你只有通过人告诉他，什么是好什么是不好，机器才能去持续的自主学习。

　　另外，在大事件发生的时候，我们会发现整个采编体系会有一个非常大的痛点，当一个事情发生之后，用户往往关注的并不是事情本身，他关注的更多的是事情，以及事情的周边内容，不只是说这个事情是什么样的，人都有八卦心理，他也许把一些其他东西或者相关领域，但是正常传统组织结构里面，更多是以本身垂直领域的结构在划分，比如新闻同事做新闻，娱乐同事做娱乐，财经同事做财经，在大事件发生之后，其实最典型的是马航事件，关注的并不仅仅是飞机坠落事件，更关注的是对旅游、财经，各个体系的影响。各个团队之间，怎么样互相协调？是当时我们遇到一个非常大的难点，基于这个难点，我们解决方案是打造一个多屏互动的体系，当事情发生之后，我们希望一个信息流，能通过不同的端，不同的渠道去触达给需要触达的人，让他在任何地方能够去审批，能够去保证信息发布的及时性。这里面“端”包括电视端，手机流和PC流，传统值班编辑更多是在PC流做，有一些需要审批的可能是在手机上进行更多操作。同时当一些大事件全景纬度，我们希望通过电视呈现整个事情的全景纬度，这个是大事件发生的时候我们的解决思路。

　　刚刚说完的是内容分发模式，另外一个是大家之前一直提到的大数据的学习模式，大数据的学习，其实主要会分成两个大的纬度。第一个是用户画像，第二个是推荐算法。用户画像，腾讯我们怎么做的？在用户画像里面首先第一个，我们融合了整个QQ和微信，他们两个应该是作为“国民帐号体系”，基本上每个人都有QQ号或者微信号。这个是作为我们对用户识别，用户画像的一个最基础的能力。另外一个用户在整个腾讯体系下的内容，以及它的标签。包括它在社交场景，资讯场景，电商场景，以及阅读普通的生活服务的场景，这种标签的采集能力，我们会把用户的登陆行为，以及用户的阅读行为，各种生活操作行为，都采集起来，这是我们用户画像的第一步，对画像和用户登陆行为的采集。