互聯(lián)網(wǎng)標(biāo)題黨現(xiàn)象研究及治理

◎鄭家錄

（秭歸縣電視臺(tái)融媒體中心 湖北 秭歸 443600）

標(biāo)題黨，是指在以互聯(lián)網(wǎng)為代表的論壇或媒體上，通過(guò)引人注目的標(biāo)題來(lái)吸引受眾注意力，當(dāng)受眾點(diǎn)擊進(jìn)去發(fā)現(xiàn)與標(biāo)題落差很大而又合情合理，以達(dá)到增加點(diǎn)擊量或知名度等各種目的網(wǎng)站編輯、記者、管理者和網(wǎng)民的總稱。

標(biāo)題黨現(xiàn)象的成因，除了商業(yè)模式的驅(qū)動(dòng)，還有用戶多樣性、不同用戶體驗(yàn)需求對(duì)標(biāo)題黨內(nèi)容標(biāo)準(zhǔn)的不一致，標(biāo)題黨現(xiàn)象難以根除。本文從日常實(shí)際中，截取了五大門戶網(wǎng)站上篩選出標(biāo)題黨內(nèi)容，從數(shù)據(jù)上分析標(biāo)題黨的五大特征。

一、標(biāo)題黨的三種類型

（一）聯(lián)想型標(biāo)題黨

1.驚！一男子喝醉酒竟然和動(dòng)物……（武松打虎）

2.驚呆了！睡了十二年的戰(zhàn)友，竟然是女兒身?。ɑ咎m）

3.中國(guó)學(xué)生數(shù)學(xué)神乎其神的原因，美國(guó)人終于破解了……（中國(guó)學(xué)生比較能吃苦）

4.膽小別看！醫(yī)鬧患者當(dāng)場(chǎng)砍死醫(yī)生，場(chǎng)面血腥！（曹操殺華佗）

5.驚悚！38歲李玉剛滿頭白發(fā)老態(tài)龍鐘（化妝）

6.黃曉明暴打楊穎，真正的原因是這樣的，令人驚訝?。ǔ吻迕襟w造謠）

這一類標(biāo)題黨在信息流中雖然比較少見(jiàn)，但是引起的用戶反感效果最強(qiáng)。其中一類為通過(guò)事件某一個(gè)側(cè)面，用引人聯(lián)想型的文字描述，多與低俗擦邊，來(lái)吸引點(diǎn)擊。我們以負(fù)面評(píng)論作為評(píng)判標(biāo)準(zhǔn)，這類文章的負(fù)面評(píng)論最多，用戶最為反感[1]。

（二）情緒型標(biāo)題黨

1.中國(guó)小將被擊倒后暴走，一拳KO泰拳王。

2.國(guó)乒天才打出絕世無(wú)解球，對(duì)手被嚇懵，解說(shuō)員瘋狂。

3.楊建平為師弟報(bào)仇，把韓國(guó)拳手拎起來(lái)揍。

在這一類標(biāo)題中以用戶情緒為出發(fā)點(diǎn)，渲染夸大事實(shí)，以此來(lái)刺激用戶點(diǎn)擊。這些內(nèi)容普遍點(diǎn)擊率較高，時(shí)長(zhǎng)及閱讀完成比并不低。

（三）求知型標(biāo)題黨

這一類標(biāo)題黨多利用數(shù)字，追隨社會(huì)熱點(diǎn)，多用“為什么、你、全世界、99%”等敏感詞匯，多引用名人案例來(lái)刺激用戶的求知欲，刺激用戶的好奇心。內(nèi)容本質(zhì)上是比較普通的事件[2]。

二、標(biāo)題黨的數(shù)據(jù)特征

根據(jù)五大門戶內(nèi)容數(shù)據(jù)，將最近一個(gè)月的內(nèi)容按閱讀時(shí)長(zhǎng)、CTR、閱讀完成比分段，閱讀時(shí)長(zhǎng)（0-20秒，20-60秒，60-120秒，120-180秒，180秒以上），CTR（0-6%，6%-10%，10%-15%，15%-20%，20%+），閱讀完成比（0-30%，30%-50%，50%-80%，80%-100%），最終交叉有80種組合，大致分析了每種組合中的內(nèi)容情況，發(fā)現(xiàn)數(shù)據(jù)規(guī)律性很明顯。

（一）CTR高但閱讀完成率低

熱血戰(zhàn)狼文、噱頭、部分標(biāo)題黨CTR水平在20%以上，完成比80%以上，博眼球內(nèi)容較多。但閱讀完成率低，另外通過(guò)差評(píng)的角度對(duì)內(nèi)容進(jìn)行區(qū)分，抽查了一部分差評(píng)較多的內(nèi)容，發(fā)現(xiàn)差評(píng)的類型比較多，差評(píng)占比達(dá)到40%以上。

（二）用戶的接受程度不一

我們調(diào)研了約100名不同年齡、職業(yè)的用戶，通過(guò)用戶過(guò)去喜歡看哪類內(nèi)容，各類內(nèi)容閱讀深度如何，對(duì)標(biāo)題黨內(nèi)容是否敏感，是否喜歡看大眾的獵奇內(nèi)容，還是偏好垂直、深度內(nèi)容，發(fā)現(xiàn)對(duì)同一篇文章，這100名用戶對(duì)標(biāo)題黨的認(rèn)知不一致，有50%的內(nèi)容偏差。

三、標(biāo)題黨治理

（一）后驗(yàn)數(shù)據(jù)篩選

根據(jù)數(shù)據(jù)特征的差異性，在現(xiàn)在互聯(lián)網(wǎng)數(shù)據(jù)分發(fā)階段，我們可以利用后延數(shù)據(jù)算法模型來(lái)對(duì)文章進(jìn)行區(qū)分。在召回和排序算法中考慮閱讀時(shí)長(zhǎng)、閱讀完成比、分享率、收藏率、評(píng)論率等多維度數(shù)據(jù)，降低點(diǎn)擊率的影響，通過(guò)用戶深度反饋——分享、收藏等指標(biāo)，來(lái)抑制單純刺激點(diǎn)擊產(chǎn)生的“馬太效應(yīng)”。

在目前各家互聯(lián)網(wǎng)公司的分發(fā)模型中，多采用機(jī)器學(xué)習(xí)常見(jiàn)的FFM模型、FTRL等模型來(lái)預(yù)測(cè)內(nèi)容點(diǎn)擊率，我們以此為處罰點(diǎn)，構(gòu)建分發(fā)模型，例：

后驗(yàn)數(shù)據(jù)特征=點(diǎn)擊×系數(shù)A＋分享×系數(shù)A1＋收藏×系數(shù)A2＋閱讀完成率×系數(shù)A3＋正評(píng)×系數(shù)A3-負(fù)評(píng)×系數(shù)A4

在此公式中我們將A1、A2、A3、A4系數(shù)靈活設(shè)置，將正面系數(shù)調(diào)大，可以抑制單純以點(diǎn)擊驅(qū)動(dòng)的分發(fā)模式。

（二）用戶分群

對(duì)于一般型標(biāo)題黨內(nèi)容略微夸大，但不存在誤導(dǎo)用戶行為的稿件，互聯(lián)網(wǎng)不會(huì)將之扼殺，但是為了兼顧用戶體驗(yàn)，需要對(duì)用戶進(jìn)行分群。存在同一部分內(nèi)容一部分用戶最喜歡，而另一部分用戶最不喜歡，可見(jiàn)通過(guò)用戶歷史興趣再結(jié)合人工經(jīng)驗(yàn)梳理來(lái)對(duì)用戶分群，能對(duì)用戶細(xì)分起到一定效果。對(duì)于不同水平的用戶所表現(xiàn)出的數(shù)據(jù)特點(diǎn)也會(huì)有所差異，時(shí)間緊迫，可以先對(duì)高端用戶，標(biāo)題黨敏感，喜歡深度內(nèi)容，不喜歡高點(diǎn)擊率、大眾、獵奇內(nèi)容的用戶，進(jìn)行低質(zhì)量?jī)?nèi)容限制，后續(xù)逐漸優(yōu)化梳理映射規(guī)則，覆蓋全部用戶并做到精準(zhǔn)分發(fā)[3]。

我們發(fā)現(xiàn)有些明顯標(biāo)題黨品質(zhì)很差、平均時(shí)長(zhǎng)和閱讀完成比很低的內(nèi)容，還是有一些用戶讀完了，可以認(rèn)為這些人就是對(duì)標(biāo)題黨不敏感的用戶。也有一些平均點(diǎn)擊率X%以下、平均時(shí)長(zhǎng)和閱讀完成比也不高的內(nèi)容，同樣有一部分用戶認(rèn)真讀完了，仔細(xì)分析發(fā)現(xiàn)這些內(nèi)容都是領(lǐng)域內(nèi)比較垂直、有深度的內(nèi)容，大部分普通用戶是沒(méi)有興趣閱讀的，而認(rèn)真讀完的用戶都是在這方面興趣很垂直的用戶。

因?yàn)橛脩粼谀愁I(lǐng)域的知識(shí)水平和興趣度是不同的，根據(jù)統(tǒng)計(jì)的平均CTR、時(shí)長(zhǎng)、完成比等都是在所有用戶上的表現(xiàn)，一些資深人士的行為很容易被大部分的普通用戶的行為掩蓋，導(dǎo)致這些后驗(yàn)數(shù)據(jù)失去個(gè)性化分發(fā)的作用。而這種現(xiàn)象在財(cái)經(jīng)、體育、軍事、軍情、時(shí)政、國(guó)際、社會(huì)等幾個(gè)專業(yè)性強(qiáng)的類別下表現(xiàn)更加突出[4]。

差評(píng)可以識(shí)別出一部分低質(zhì)內(nèi)容，去掉大部分用戶不喜歡的內(nèi)容，但對(duì)于有爭(zhēng)議內(nèi)容、戰(zhàn)狼文，并不適合一刀切，而是找到對(duì)其感興趣的用戶進(jìn)行推薦。其實(shí)我們忽略了一篇內(nèi)容是哪些人貢獻(xiàn)了這些點(diǎn)擊和行為，只需將平均數(shù)據(jù)拆解到用戶群體，便可以將內(nèi)容屬性和用戶屬性劃分開(kāi)。

（三）人工精細(xì)化運(yùn)營(yíng)

除了依靠數(shù)據(jù)和用戶分群之外，還需要人工輔助。需要在人工梳理用戶和內(nèi)容分類的基礎(chǔ)上，對(duì)信息流分發(fā)過(guò)程中的召回、排序算法進(jìn)行優(yōu)化。對(duì)一篇文章，不單單通過(guò)所有用戶的后驗(yàn)數(shù)據(jù)進(jìn)行排序，需要細(xì)化到不同用戶群的表現(xiàn)，內(nèi)容之間的排序要考慮同類用戶群下的數(shù)據(jù)表現(xiàn)。

互聯(lián)網(wǎng)平臺(tái)要加強(qiáng)內(nèi)容審核，依靠編輯的經(jīng)驗(yàn)判斷來(lái)提升內(nèi)容品質(zhì)。通過(guò)文章審核、媒體評(píng)級(jí)等手段凈化內(nèi)容生態(tài)。

標(biāo)題黨游走于質(zhì)量“灰色地帶”，給互聯(lián)網(wǎng)公司帶來(lái)收益的同時(shí)，也在消耗平臺(tái)的用戶體驗(yàn)，縮小平臺(tái)的生命周期。對(duì)標(biāo)題黨的治理任重而道遠(yuǎn)。