紐約時報一天要發(fā)布300篇文章，但不是每篇都有機會上推薦位、被發(fā)布到官方Twitter、Facebook等等社會化賬號上。哪些文章值得推薦？傳統(tǒng)的做法是人工推薦，editor's choice，這也是絕大部分媒體都正在采用的做法。

掌握推薦或不推薦的生殺大權(quán)，這個運營崗位真是一塊香餑餑，比如我們雷鋒網(wǎng)的運營總監(jiān)就是一個人生贏家，但紐約時報，居然把這么重要的一個位置讓給了機器人，并且這個機器人活兒干得很漂亮：據(jù)數(shù)據(jù)統(tǒng)計，由紐約時報“運營總監(jiān)”機器人Blossom挑選出來的文章，平均閱讀量是普通文章的38倍。

人工選擇哪篇文章應該上推薦位或不上，既費人力，而且有時候會判斷出錯。為了解決這些燒腦的問題，紐約時報的數(shù)據(jù)團隊（ data science team，首先人家有這個部門）開發(fā)了一個機器人Blossom，并內(nèi)置到他們的新聞APP slack里面，Blossom負責預測哪些文章有可能會在社交網(wǎng)站上引起傳播，相應地給版面責任編輯提出建議。除了預測，Blossom還可以給出一些已經(jīng)發(fā)布的文章流量增長狀況。

比如你在對話框里輸入“!blossom facebook? all”（約等于問機器人紐約時報所有版面上的文章，哪些適合推送到Facebook上），機器人會返回一個結(jié)果，如圖：

Blossom的決策原理是什么？據(jù)紐約時報數(shù)據(jù)團隊的首席科學家 Chris Wiggins表示，Blossom運用了一種“前沿的機器學習”技術(shù)，后端用了Java, Python, and MapReduce幾種編程語言，但在前端就是一個簡單友好的交互界面——“一個聊天機器人”。Wiggins沒有說得更仔細，不過這不是什么不可知的黑科技，我們可以合理推測：Blossom首先知道社交網(wǎng)絡(luò)上的實時熱詞情況，再根據(jù)文章中熱詞出現(xiàn)的頻率判斷這篇文章有沒有可能引起更多點擊。當然Blossom的算法肯定更精細。

Wiggins設(shè)計這個機器人的初衷是為了幫助而非干擾或者取代人的工作，目前來看，Blossom和編輯合作很愉快，編輯團隊也在向數(shù)據(jù)團隊提出一些新的需求。

Via：NIEMANLAB

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。