用户|下一代社交产品应该如何构建？( 六 )

信息应用程序，由于专注于两个人之间或群体之间的直接沟通，自然会通过将最新信息的线程推到其应用程序窗口的顶部来实现这一点。从我们生活中消失的人只是掉到屏幕的底部。后进先出一直是一个相当有效的通用相关性启发式方法。
图谱设计问题的另一个可能的解决方案是将用户的内容流与他们的社交图谱脱钩。在我关于TikTok的三篇文章中，我写到该应用的架构与大多数西方社交媒体的架构有根本的不同。TikTok不需要你关注任何账户来为你构建一个相关的内容流。
相反，它做了两件事。

文章插图

首先，它试图通过观察你对它所展示的一切的反应来了解你的兴趣所在。它试图学习你的品味，而且做得非常好。TikTok是一个作为兴趣图谱来搭建兴趣图谱。
其次，TikTok对每个候选视频进行两阶段的筛选过程。首先，它让视频通过人类已知的最可怕、最无情的质量过滤器之一：一个由几百名主要是Z世代用户组成的小组。任何人都可以成为这个视频的测试观众。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，永远不会再被看到，除非有人直接在某人的个人资料中寻找它。
然后，它使用其算法，根据每个用户的品味档案决定他们是否会对该视频感兴趣。即使你没有关注某个视频的创作者，如果TikTok的算法认为你会喜欢它，你就会在为你页面For You Page上看到它。
最近，Instagram宣布它将开始向其用户展示他们没有关注的账户的帖子。在许多方面，这就像我们看到的Instagram对TikTok的纯兴趣架构的优势做出的让步一样。
一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，你对什么新闻话题感兴趣。然后他们试图使用机器学习和来自整个用户群的信号，为你提供相关的信息。
这种方法的有效性差异很大。为什么Spotify上根据一首歌曲生成的播放列表效果很好，而它的播客推荐却感觉很一般？为什么在花费了多年和数百万美元的研究之后，包括传说中的Netflix奖，Netflix的推荐仍然感觉很一般，而且为什么这并不重要？为什么亚马逊上的书籍推荐很可靠，而新闻网站上的文章推荐却感觉很随意？仅仅挖掘为什么一些内容推荐比其他的好得多，就需要整整一篇单独的文章，这个话题很是复杂。
在这篇专注于图谱设计的文章中，重要的是像内容挑选器这样的东西明确地偏离了社交图谱。推特允许你除了关注账户外还可以关注话题，这可以看作是向纯兴趣图谱迈进半步的一种尝试。
这并不是说应用程序在社交时不能更有趣，也不是说人们不与他们认识的人分享一些重叠的兴趣。我们都关心我们的兴趣和我们生活中的人。当他们重叠时，当然更好。只是，在与我们目前的社交应用程序相处了十多年之后，我们有大量的案例说明，假设它们是完全相关的，会有什么弊端。
一个次要的考虑因素是，从长远来看，一个应用程序正在建立什么类型的互动。是一对一的互动还是向大量的观众广播？你希望你的用户中有多大比例的人在创造，而不只是在消费？你的应用程序是由现实生活中相互认识的人组成的图谱，还是由连接有共同兴趣的陌生人的图谱来提供最佳服务？或者两者的混合？你的应用程序是为来自同一公司或组织的人准备的吗？互动将跨越文化和国界，还是最好将不同地域的人隔离到他们自己的图谱中？
下一代的社交产品团队可以而且应该更积极地思考什么样的社交图谱能在长期内提供最佳的用户体验。我不确定，但根据我所了解的历史，我觉得许多社交网络在构建它们的图谱时并没有考虑到一个特定的设计。这使得图谱设计成为一个问题多于答案的练习。在某些方面，Facebook一开始只是为哈佛大学的学生建立的，这可能是偶然施加了一些有用的图谱设计约束。