自facebook的feed项目开始，信息流作为一种技术与场景结合的新应用形式，在各类项目中均占据了更大的分量。

国内，更是兴起了以今日头条为代表的，以信息流为核心的产品。由于对机器学习（人工智能）的应用，用户效率和体验的提升，获取用户消费时间，以及强大的广告分发效率获取高额收入，各家各户趋之若鹜，类似定位的app，浏览器，桌面软件，海外市场，以及产品技术均有类似之处的短视频，均兴起了众多的玩家。

然而，背后的核心逻辑是？这四个公式也许道出一二：

产品核心：内容消费体验 = 内容质量+获取效率+内容新鲜度

内容质量，即是否囊括各类内容，无论以抓取、内容合作、内容生态；并在推荐系统中能将其识别出来，将最优质的内容呈现给用户，是内容消费满意度的来源。在机器学习指标中，主要体现在平均消费时长与完成度的结合。

获取效率，即是否能为用户找到用户最感兴趣的内容。在机器学习cpv指标中，主要体现在点击率与完成度的结合，即推荐预测点击率最高的内容给用户（有些不该）。这也是推荐信息流效率远高于门户新闻的消费效率的来源。

内容新鲜度，主要体现内容的多样性和新优秀内容发掘速度。保证用户的信息获取体验始终是最佳和进展中。

对产品核心的坚守，在于充分意识到给用户价值vs从用户中获取价值的不同，在于细节的优化能否跳出小目标，在核心竞争力处获得积累，而这也最终决定了产品能走多远。

机器学习：优化结果 = 内容理解+画像应用+模型与策略

内容理解，对内容的理解的深度、广度、多样性。以深度来看看，比如图文类有分类（粒度为数百），主题（粒度为数千到数万），关键词或实体词（粒度为数十万至数百万）。作者，图片数量、截帧图片的特征等等

画像应用，基于用户自然属性（如性别、机型等），内容消费属性（如点击在分类中的记录），及场景属性（如时间）等。对画像的合理收集、应用的能力，是所有推荐、广告系统中的基础。当然，好的记录和使用方式是需要迭代的，虽说会造成一定成本。

模型与策略，使用不同特征（各种信息维度及其组合），不同模型（LR，GBDT，DNN），预测用户消费行为的主指标，再根据产品、场景、用户等种种特点制定内容呈现策略。机器学习与理性理解的合理结合，易学难精。

用户的需求是高维复杂系统，甚至是不断变化的。以人的理解为基础的指标预测和调优，对于用户的实际需求仍可能是偏离的。对用户体验核心的清醒认识和不盲从与细节指标，是合理结合产品技术的要点。

商业化能力：赚钱能力 = 拉新能力+留存能力+使用时长+变现效率

拉新能力，即低成本大量获取新用户的能力。除了上了一个境界的口碑传播外，渠道、广告、活动、seo各显其能。

留存能力，用户使用体验的核心体现，从长远看，也许在这里该加一个2次方。

使用时长，用户需求被满足的深度，是各种

变现效率，单位时间内流量转化为收入的能力，广告推荐系统与内容推荐系统的技术基础极其类似，标签内容理解，画像等。

信息流的强大变现能力，在于机器学习技术对使用时长和变现效率的优化。而市场产生种种二流竞品的原因，大多在于自有流量渠道，弥补拉新和留存能力不足，尽力使用流量变现而已。

更大的世界：用户剩余价值 = 新产品价值 - 已有产品价值 - 转换成本

当我们具备眼光的力量，看到了尚幼的萌芽，也许会获得蓝海与未来。

当我们付出执行的力量，将自己逼迫至极限，正面超越了所有的竞争对手，也许会获得红海与现在。

当我们跟随了一切，而想获得超额成长，那么......不幸的是，因为这里的表面成本如此之低，大部分人们都来了这里。

而公式的前提，在于我们的胸怀中，为用户提供的价值在何方。

磁铁的力量，在于每个微元的磁力贡献，也在于他们指向了同一个正确的方向。

产品的本质不在于巨大的优化堆叠，而在于正确的价值标准，简单清晰的方向，和每个环节的合力拼搏。