中国网络媒体的出路在哪里?

    2013年11月20日,备受关注的2013腾讯网十周年暨媒体高峰论坛在北京嘉里中心成功召开,众多资深媒体和互联网界嘉宾出席论坛并对媒体前沿话题进行了深入探讨,嘉宾包括腾讯网络媒体事业群总裁刘胜义,哈佛商学院市场营销学教授Bharat Anand,中国人民大学新媒体研究所所长彭兰,创新工场创始人汪华, Business Insider科技主编Nicholas Carlson,Flipboard CTO Eric Feng,知乎创始人周源等。
    中国人民大学新媒体研究所所长彭兰在大会上做了主题为《中国网络媒体的未来》的报告分享,彭兰在报告中前瞻性的提出了互联网的本质是“连接”这一核心观点,互联网的演进就是“连接”的演进。在Web1.0时代,连接构成“内容网络”,Web2.0时代,连接走向“关系网络”。
    就此,笔者针对2013腾讯网十周年高峰论坛上彭兰发布的《网络媒体的未来》做了如下的解读和分析,供业界人士对中国网络媒体未来发展做一个客观的参考。
    个性化需求的时代
    当前是信息爆炸的时代,信息泛滥越来越严重。而在如此众多的信息当中,如何精准定位用户的信息需求则是当下很难解决的问题。用户往往被很多无用信息骚扰,到最后既伤害了用户体验,又伤害了品牌。用户的个性化需求越来越强烈,如何去满足用户不同的需求和服务则越来越受到企业重视。类似于新闻客户端这样的产品,在满足用户个性化需求方面则比较典范。每个人对信息都会经过过滤和筛选,留下自己感兴趣的信息进行深度阅读。目前,移动新闻客户端就顺应这种个性化需求,提供消息推送和媒体订阅方面的功能。媒体不再属于一个媒体的天下,而是形成媒体联盟,既增加了客户体验,又使得品牌优势更加明显。
    个性化最大的特点就是以用户为中心,不再偏执的一家独大,而是开放合作的态势去满足用户的需求。当下对用户体验的重视越来越高,如何最大程度去满足用户个性化需求则是一款产品成功的关键。比如腾讯新闻客户端,实现了实时推送、媒体订阅、视频新闻以及离线阅读灯功能,最大程度上满足了用户的个性化需求。目前, 腾讯新闻客户端在国内的装机量名列前茅。
    人人都是自媒体
    自媒体的官方注解是指一个普通市民或机构组织能够在任何时间、任何地点,以任何方式访问网络,通过现代数字科技与全球知识体系相联,提供并分享他们的真实看法、自身新闻的一种途径和即时传播方式。
    自媒体的出现是伴随着科技与信息技术的进步。自媒体是信息高度发达和广泛传播的产物。信息和自媒体经历了几个发展的阶段:粗放信息传播(小众媒体)——圈子信息(熟人媒体)——大众信息(大众媒体)——个性化信息(人人媒体)。
    小众媒体起源于BBS和博客之间。BBS比较出名的是四通利方,专门从事体育讯息方面的论坛,后来发展壮大成为中国最大的门户网站新浪网。博客则是博客中国和新浪博客,当时也出现了类似于徐静蕾一类的早期自媒体人。
    随着科技与理念的不断成熟,出现了QQ空间、人人网这样的个人信息聚集的展示平台。将每个人的信息展示出来,让关注的好友知道自己近期发生的新闻。个人信息不断扩散,但是扩散仅在熟人圈子间。信息扩散的速度比较慢,信息的延续性不高。圈子之间的信息传达也属于自媒体种类的一种,但是这样的信息受到圈子的局限性。
    自媒体真正被提及是在微博流行之时。微博兴起使得信息传达的效率和广度是以前的数倍。每个人都有自己的言论场地,并且言论如果足够精彩,那么其言论被扩散的广度是无法预估的。并且,微博也作为一种营销工具使得不同领域的人开始注重微博的影响力。微博逐渐成为了品牌展示和信息传达的工具之一。大众媒体自此有了实质性定义,人人都可以进行信息传播。
    自媒体的黄金时代在移动端。人们碎片化时间越来越明显,人们可以在任何时间任何地点进行信息宣传和展示。智能设备则是这部分碎片化时间的载体,智能设备摆脱了信息传达的不实效性。目前最主要的移动端产品是微信,既有媒体属性的公众账号,又有圈子属性的朋友圈。当然,人人都是自媒体并不是仅限于移动端这样的产品,而是以前所有信息产品的集合。
    新兴媒体绕过四大门户 走垂直路线
    通过中国网站数量的发展来看,中国网站发展步入了快节奏的发展进程。在1997年中国仅有1500余家网站,经过17年的快速发展,2013年中国网站数量达到了近300万家网站,从2008年开始爆发式的增长。
    随着网站数量不断增长,网络媒体网站也逐渐增多,但综合型互联网媒体网站已经被新浪、腾讯、网易与搜狐占据了制高点,成为综合型互联网媒体的领导者。新兴网络媒体想超越或追上其市场份额都很难。难道说网络媒体市场已经饱和了吗?其实不是,网络媒体的潜力是无穷的,要想在网络媒体市场占有一席之地,必须走细分化路线。
    比如说专注娱乐领域,网站报道以娱乐新闻为主体,针对广大网民关注的热点话题进行深度挖性报道,做到深度化与专业化都可以得到业内人士的认同。所以新闻类网站走垂直细分的路线和思路进行发展,在这个平媒没落的时代,互联网新闻将成为广大网民了解新闻的重要渠道。
    无处不在的终端
    随着谷歌、三星陆续发布智能眼镜、智能手表,智能手套、智能戒指,智能耳环的概念也呼之欲出,2013年更是被业界称为可穿戴式智能设备兴起的元年。可穿戴终端不仅更便于携带,也给照片、视频拍摄等带来了全新体验,它们也将成为人体的重要传感器。尽管可穿戴式智能电子产业发展尚处于起步阶段,在产品的形态、技术、实际价值方面尚未形成清晰的概念,但作为未来移动互联网的进入口,已经成为IT界争相入局的战略要地。
    随着终端技术和物联网技术的发展,越来越多的自然物体将成为移动传播的终端。回归自然,将是移动终端发展的一个重要目标。以往的终端网络只是为了内容网络提供硬件基础,而今天的移动终端,以及未来的物联网终端,它们本身将直接生产信息带来网络媒体信息来源的进一步变化。也许未来镜子、冰箱等都会成为人们获得新闻的来源,也将呈现无处不终端的景象。同时,未来的屏幕,也不再仅仅是信息的显示设备,也是用户信息的手机设备。捕捉用户特征,以此为基础完成个性化推送,这是未来终端的另一个意义。
    当一切物体成为终端时,人对信息传播的需求会发生深层变革,网络媒体的发展方向,也会由此改变。未来的网络媒体,需要建立起基于物联网的信息收集系统,并使之与人的系统融合。
    信息分享大爆炸
    社会媒体时代改变了传统意义中的信息传播,现阶段用户个人产生内容的浏量比例达到50.7%,也就是说博客、论坛、SNS、问答等应用浏量超过新闻、搜索、电子商务等网站产生内容浏量的总和。而信息的分享主要是通过社交化媒体平台,从Facebook的诞生到微信的兴起,中间度过才短短的10个年头,社会化媒体平台发展的速度也是越来越快,Facebook属于社会化媒体平台的始祖,突破一亿用户耗时长达到了54个月,而带有移动社会化媒体平台属性的微信仅用了短短14个月就达到亿级用户的水平,可见社会化媒体平台的理念已经逐步被广大网友接受并且认可。广大网民接受并认可社交化媒体平台的同时,其也就成为每个内容的制造者与分享者。
    社会化媒体平台虽然都有“社交”与“媒体”的双重属性,但是不同平台之间也都有着自己的特点。以微博和微信来举例,微博因其有强大的媒体基因,所以微博平台更倾向于实时新闻性质的传播与分享,微信因其继承了腾讯的社交属性,所以其平台传播内容更偏向于朋友之间的互动与分享。不同的社会化媒体平台专注领域不同,给用户带来更多的选择空间。社会化媒体平台中用户分享的信息还是网络媒体新闻素材的重要来源,通过专业化的收集整理,可以成为专业媒体的资源,对专业媒体起到补充与丰富的作用。
    移动互联网凶猛来袭
    从互联网终端在全球的整体发展可以看出,平板电脑与手机未来将要逐步取代台式机成为互联网的主要入口。而其两大终端都是通将过移动互联网进行访问,使移动互联网浏量多年持续保持增长。
    从中国手机网民规模可以看出,从2009年的23344万人到2013年的46376万人,在短短的4年时间内其人数增长了将近2倍,占整体网民比例78.5%,移动互联网普及化基本完成。在移动化的大潮中,传统媒体、网络门户以及其他新媒体公司等,都在大力发开移动端产品,移动端入口之争的成败,将决定未来谁可以成为互联网的霸主。
    传统媒体与互联网门户网站将在移动新闻客户端中延续或者重新打造各大媒体的风格体系。新媒体主要是发展社交化媒体平台,以微博、微信产品为主要代表,其中微信占有中国手机上网用户超过71%,成为移动终端中的核心入口之一。以“打飞机”为例,在微信平台成功上线后,短时间内因微信社交属性成功激活用户的互动性,使游戏玩家轻松破亿,并成为该时期的主流话题。
    移动互联网的发展迅猛,逐步取代传统互联网成为互联网的主导者。预计不久的将来,办公生活全部移动互联网化,从而使传统互联网与移动互联网之分也将成为历史。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值