Facebook效应:如何在社交网络中制造流行?(下篇)

在上篇文章中,我们用维基百科的搜索量侧面验证了Facebook上曝光的重要性。那么接下来,我希望尝试从数据中找到一些“流行的经验”,让内容得到最大程度的曝光。

在上篇文章《Facebook效应:流量生意背后有哪些数据逻辑(上篇)》里,我们已经证明在 Facebook (以下简称FB)上流行的重要性。想要获得更好的公众曝光,就要在FB上流行,这说起来比做好要容易许多。所以现在我们来试着分析一下,如何做才能更好地在FB上流行。我们可以从FB的流行趋势的一些基本原则着手,看看如何可以让内容得到最大化的曝光。

与我们所想的相反,造成“流行”并不是用无尽的帖子和图片,狂轰滥炸地淹没信息流。FB用户在浏览内容时常常会忽略帖文、图片,尤其是广告。他们只会被吸引眼球的事情抓走注意力,这也是许多营销公司在做的。

一个最好的案例就是新闻机构在FB上分享内容的行为。与用户访问新闻网站获取信息的行为方式彻底相反,在FB上用户不是来看新闻的,因此新闻机构在FB上并非逐字逐句搬运,而是重新撰写推荐语,试图吸引FB用户的注意,继而吸引用户去到他们的网站。

为了弄清楚如何撰写帖子和内容才可以提高FB曝光率,我对纽约时报进行了案例分析。

(图片说明:纽约时报在FB的主页和新闻推荐语;图片来源:Facebook截图)

我爬取了FB上纽约时报从2012到2016年发的所有帖子,这些数据包括FB帖子内容、分享的文章或视频题目、相关描述、以及点赞数。

(图片说明:纽约时报官网上的推荐语)

我发现的第一个明显现象,是FB上的帖子和纽约时报网站上的文章,在简介上有明显的不同:他们在FB上发帖时的简介会更长。

从图中代表平均数的虚线可以看出,在FB上发帖时,单词和字母都会更多。P值都少于0.001。这是否说明较多的文字更适合引发流行?

我接着又做了一个用词数量与点赞数关系的散点图,如上所示,两者呈正相关关系。

那么除此之外,在FB上的用词又有什么区别呢?

(图片说明:FB上推荐语做的词云分布)

(图片说明:纽约时报官方网站上推荐语做的词云)

如果仅从词云的角度来看,如我们所料,FB与官网上的用词大部分相似。所以,我们接着使用谷歌的云端自然语义平台进行分析,以找到更细微的区别。

上图是一组对比。我们可以看到,在这个案例中,FB上的帖子提到了甘地,而网站上的摘要没有。尽管这只是一个简单的例子,但这种模式在整个语料库里也十分明显。当在FB上发帖时,纽约时报非常明显地喜欢提及人名,诸如奥巴马、罗姆尼等。

另外,在FB上发帖时,纽约时报使用问句或者引语的次数是网站的5倍。

所以,总的来说,我们这个对纽约时报的开放分析,研究了纽约时报如何在FB将社交媒体曝光最大化,并获得了一些启发。这包括

1.与主网站相比,使用更长、更偏叙述的帖子; 2.使用更吸引人的词语,比如总统等,并且具体地指向能让人产生兴趣的人,如奥巴马等; 3.给读者提问,同时使用一些惊人的引语来吸引读者。

在Kylie Jenner的推特之后,Snapchat的市值大约损失了16亿美元。她的推特是造成这一切的全部原因么?我们也许永远也不知道。但是我们可以确定,Jenner在社交媒体上的超强存在感,严重影响了Snapchat的前景。

的确,在这项目中,我尝试解码社交媒体上,尤其是FB平台上,一个内容流行会带来什么。我发现,当一个话题在FB上流行,它会导致其对应的维基百科搜索量提升70%。把维基百科的页面浏览量看作是识别度上升的某种标志的话,可以看到FB曝光度对产品识别度有巨大的影响。

而且,为了确定这个识别度的上升就是由FB平台带来的,我还对比了在FB上流行,与在推特上流行的不同结果,并发现后者带来的影响并不明显。这给我的假设提供了支持。

接下来我对纽约时报在FB和自己网站上发文章时的不同处理方式进行对比,来研究它是如何提高FB等社交媒体平台的存在感。我发现,在FB上的帖子更长,并且会更多地包含人名,并且倾向使用更多的问句和引语。

我的这个项目本质上还是探索性质,所以未来可以进一步做的研究包括:撰写一个脚本,从而持续地爬取FB上流行话题的帖子信息,从而可以在不同时间节点进行更详尽比较;提高我的样本量,让它足够运行固定效应模型(fixed effects models),进而衡量一个话题在流行前和流行后的变化;使用更多的自然语义处理工具,比如潜在狄利克雷分布 (latent dirichlet allocation)等,对FB上和其他网站上发帖时的文本差别进行更深度的分析。

注:本文翻译自技术博客《The Facebook Effect》,内容仅为作者观点,不代表DT财经立场。

作者 | Weijie Deng

题图 | 站酷海洛

▍关于DT×NYCDSA

DT×NYCDSA是DT财经与纽约数据科学学院合作专栏。纽约数据科学学院(NYC Data Science Academy)是由一批活跃在全球的数据科学、大数据专家和SupStat Inc. 的成员共同组建的教育集团。

▍数据侠门派

本文数据侠是William Kye。他拥有美国圣母大学社会学博士学位,对分析和理解人类行为有浓厚兴趣并富有经验。Kye喜欢用数据解决问题,不只将数据看作生硬的数字,他还希望将其置于人类社会行为的大背景下进行理解。他此前做过大量的人口数据与其他数据的交叉分析,比如社区自杀率与种族构成的关系,私立学校的数量与社区士绅化趋势的关系等。Kye掌握R语言、Python等,同时希望将数据分析以有洞见的故事形式展现出来,并将自己的能力用在解决现实世界的难题上。

原文发布于微信公众号 - DT数据侠(DTdatahero)

原文发表时间:2018-05-24

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏镁客网

黑科技 | 用算法分析图像,实现对神经元行为的精准“录像”研究

16100
来自专栏大数据文摘

别错过这张AI商用清单:你的生产难题可能被一个应用解决

16930
来自专栏新智元

【掌上计算机视觉大有可为】智能终端图像识别、美化、生成应用盘点

【新智元导读】移动AI,尤其是智能手机上的计算机视觉应用,已经成为人们生活中重要的一部分。本文将会从最新趋势、未来机会、用户将如何使用手机上的AI等方面进行分析...

389120
来自专栏量子位

如何为智能投顾打造对话系统?这有一份指南可供参考

主讲人:灵智优诺CTO 许可 屈鑫 颜萌 整理编辑 量子位 出品 | 公众号 QbitAI 作为人工智能和语言学的重要分支,自然语言处理(NLP)的相关研究一直...

38260
来自专栏PPV课数据科学社区

以电商为例,数据分析的5个思维方法-简单粗暴

在博主雪言舟语看来,数据分析真的很重要,能从一堆看似杂乱的数据里,找到问题并解决问题。从数据上的变化,来判断甄别效果得失;简直是居家旅行,运营生意的必备良品。 ...

35680
来自专栏ATYUN订阅号

LG开发基于人工智能解决VR晕动病的技术

有些人在戴上VR设备时会出现晕动病的症状,这可能会让VR变成一种糟糕的体验。VR开发人员花费了大量的时间和研究来减少这种影响,其中一种解决方案与人工智能有关。

12330
来自专栏数据科学与人工智能

【数据】大数据用户画像方法与实践

首先看一下大数据与应用画像的关系,现在大数据是炙手可热,相信大家对大数据的四个V都非常了解,大数据应该说是 信息技术的自然延伸,意味着无所不在的数据。 ? 我...

97580
来自专栏新智元

【AI硅脑】超越GPU,FPGA、ASIC和更智能的手机

【新智元导读】本文从云服务、on-device 和 hybrid 三个角度分析AI硬件的进步,以及各大芯片公司、巨头科技公司以及初创企业和研究机构如何将 CPU...

35290
来自专栏CDA数据分析师

3分钟轻松了解个性化推荐算法

摘要:如果去商场里买东西,我并不愿意听导购小姐讲的话,但是电商网站上的推荐,我还真的愿意看一看。【猜你喜欢】,好,那你就猜猜吧。 推荐这种体验除了电商网站,还有...

27750
来自专栏新智元

机器学习论文呼吁“预注册”,事先评审专治“注水研究”!

所谓“预注册”研究,通俗点说就是,在实际着手开始研究之前,先将研究假设和实验设计方案等前期重要信息,向欲投稿的学术期刊进行事先注册,由期刊先行组织专家进行同行评...

9330

扫码关注云+社区

领取腾讯云代金券