黑猩猩|社交产品中的信号与暗示：关注（下）( 二 ) 四川|广电|机房|节点|四川公司

二、社交平台的长期目标是什么类型的交互通讯应用，由于专注于两个人或群组之间的直接交流，自然地通过将带有最新消息推送到平台的置顶来实现这一点。从我们生活中消失的人只是从屏幕底部消失，后进先出法一直是一种比较有效的通用关联探索方法。
另一种图谱设计问题的解决方案可能是将用户从内容 feed 与社交图谱中分离出来。在此前的三篇关于 TikTok 文章中，我写了该 App 的架构与大多数西方社交媒体平台的架构有何根本不同。TikTok 不需要你关注任何账户来为你构建相关的 feed。它做了两件事：
首先，它试图通过向你展示的一切的反应来观察你对什么感兴趣，它试着了解你的品味，而且做得非常好。TikTok 是一个以兴趣而构建的图谱；
其次，TikTok 通过两个阶段的筛选过程来运行每个推荐视频。首先，它通过人类已知的最可怕、最糟糕的质量过滤器之一播放视频：一个由数百名主要是Z世代用户的小组。如果这些测试观众没有表现出任何兴趣，视频就会被扔进 TikTok 的垃圾箱，除非有人直接在某人的个人资料中找到它，否则不会再被看到；
随后，TikTok 会根据每个用户的口味来决定该视频是否会引起他们的兴趣。即使你不关注视频的创作者，如果 TikTok 的算法认为你会喜欢，你也会在自己的 For you 页面上看到它。
最近，Instagram 宣布将开始向用户显示他们没有关注的账户的帖子。在许多方面，这接近于我们将看到的 Instagram 对 TikTok 架构的优越性的让步。TikTok 的架构是纯娱乐的。
有些应用程序使用某种主题或内容选择器：告诉我们你喜欢什么音乐或电影类型、哪些新闻话题让你感兴趣，然后他们尝试使用机器学习和整个用户群的信号来为你提供相关的反馈。
这种方法的有效性差别很大。为什么 Spotify 上由一首歌曲生成的播放列表效果如此之好，而它的播客推荐却显得很普通？为什么在花了数年时间和数百万美元进行研究之后，Netflix 的推荐仍然感觉很普通，为什么它真的不重要？为什么亚马逊上的书籍推荐是可靠的，而新闻网站上的文章推荐却是随机的？要想深入研究为什么一些内容推荐比其他推荐效果好得多，这需要一整篇文章，因为这个话题太复杂了。
本篇文章重要的是，内容被过滤后明显偏离了社交图谱。Twitter 允许用户关注账户之外的话题，这可以被视为向纯兴趣图谱迈进了半步。
这并不是说社交化的应用不能更有趣，或者人们不会与认识的人分享一些相同的兴趣。我们都关心自己的利益，也关心生活中的人。当它们重叠时，情况就好多了。只是在我们使用当前的社交应用十多年后，我们有大量的案例研究来说明假设它们之间相关的缺点。
第二个需要考虑的问题是，应用程序的长期目标是什么类型的交互。是1V1的互动还是对大量观众的广播？你希望创造多少比例的用户，而不只是消费？你的应用最好的服务对象是那些在现实生活中互相认识的人，还是那些有共同兴趣的陌生人?或者两者兼而有？你的应用是针对同一家公司或组织的人吗？互动是否跨越了文化和国家边界，还是将不同的地理区域分隔成各自的图谱是最好的?
下一代社交产品团队能够也应该更积极地思考，从长远来看，哪种社交图谱能够提供最好的用户体验？
我不确定，但我感觉很多社交网络的图谱都是有特定设计的。这使得图谱设计成为一种带有更多开放问题而非答案的练习。在某种程度上，Facebook 一开始只是为哈佛学生创建的，这可能偶然地施加了一些有用的图谱设计限制。
与某些类型的设计不同，图谱设计并不适合创建原型。社交网络至少在某种程度上是复杂的自适应系统，这使得我们很难对当图谱达到一定规模时将发生何种类型的互动进行原型化。