微信尝试结合时间过程与内容特征，重新定义“爆款文”？( 七 )_没有一个时代比今天更重视技术对于内容

热度预测照亮的未来，不只属于文字

个性化推荐系统既不能完全遵循用户兴趣标签与内容特征抽取的匹配，那会导致越来越严重的信息茧房（“喜欢你就多看点”）和回声室效应（“你反对的绝不出现”）；也不能单纯依靠文章的生命周期来判断，让优质创作者在平台偏向（“这篇会火都给我看”）之下凉了热血。

因此单纯从数据上看， DFTC是成功的。

目前，微信已经将该模型作为系统选择和推荐文章的重要依据，开始在“看一看”等产品场景中进行实践。

从更广泛的实用性来说， DFTC所代表的思路，用深度学习技术和思维解决预测问题，正在成为业界共识。

“在任意时间预测网络内容的最终热度” ， DFTC不仅仅只有资讯平台的推荐算法，在广告、搜索等业务也能起到很强的推动作用，提高内容的分发效率。

而就在前不久，微软也提出过一个跨产品的用户行为模型，将用户在搜索、新闻、appstore、xbox等多个产品线上的行为（反馈）统一在一起，这样训练出的深度学习网络，就能很好地优化和解决单个产品上（用户）冷启动、信息稀疏等问题。

微信尝试结合时间过程与内容特征，重新定义“爆款文”？( 七 )