为何如此投入到社交资讯类APP中呢?——Feed流

      现今无论是大片时间还是零碎时间都消耗在各类应用软件上,到底是怎么样的魔力如此吸引我们呢?

      答案就是这些社交和资讯类app中,都使用了feed流feed流 是一个信息出口,想要与他人或资讯建立连接,只需要刷新这一个动作,即可获得大量所需,并且不断在更新,可谓杀时间好手,令人沉溺。想要设计好feed流页面,对feed流的概念,模式进行了解是十分必要的。

什么是feed流呢?

      Feed,源自早期的RSS,是一种呈现内容给用户并持续更新的方式,用户可以选择订阅多个资源,网站提供feed 网址 ,用户将feed网址登记到阅读器里,在阅读器里形成的聚合页就是feed流。

2006年 Facebook重新定义了feed,叫News Feed ,我们如今广泛使用的模式和这个类似。它有几个特点:

(1)订阅源不再是某个内容,而是生产内容的人/团体。订阅中通常夹杂非订阅内容,比如热门推荐,广告。

(2)内容也不再严格按照timeline,广泛使用智能feed排序。新的feed流刻意不再需要主动搜索,而是主动呈现琳琅满目的内容。它对我们了如指掌,给我们想了解的,让我们不停的刷新沉溺于此。

(3)对于用户来说这样一个超简单高效的了解内容方式,对于设计者来说,却是绞尽脑汁。

Feed流的主要模式

推(Push)

拉(Pull)

推拉结合(Hybrid)

1. 推模式:

当一个用户触发行为(比如发微博),自身行为记录到行为表中,同时也对应到这个用户的粉丝表,为每个粉丝插入一条feed。但是对于粉丝过万的大V,为每个粉丝插入一条feed对存储数据成本很大。


2. 拉模式:

当一个用户(特别是关注了很多人的)触发行为的时,拉取自己动态,检索用户的关注表,然后根据关注表检索新发的feed。如果一个用户关注过多的时候,查询该用户的关注列表也是有很大数据成本。

3. 推拉结合模式(结合方式多种,举两个列子)

(1)在线推,离线拉:

大V发动态,只同步发布动态给同时在线的粉丝,离线的粉丝上线后,再去拉取动态。来完成推与拉。

(2)定时推,离线拉:

大V发动态之后,以常驻进程的方式定时推送到粉丝动态表。

feed流智能排序

      智能排序基于趋势trending、热门hot、用户生产UGC 、编辑推荐PGC、相似Similarity等等因素综合考虑,随着技术的进步智能算法将会更加懂得用户的喜好。

就像现在的Feed流广告,软到已经不难么讨厌甚至有些安利你愿意吃下,就像原生内容。能够很好的减少用户的信息过载问题。比如新浪微博。

本文不做技术性的展开,主要讨论设计方面,下面根据这些应用的feed流界面设计来探讨下用户在什么情况的诉求是什么,设计者想要推行什么。

下面以今日头条来分析看看如何运用feed流页面的:

1、今日头条

(1)产品定位

Slogan: 你关心的,才是头条 。

今日头条是一个通过使用人工智能分析根据用户需求而推荐信息的新闻APP。对于消费者而言,大众都有利用碎片时间快速获得个性化信息的需求,新闻的来源和报道内容同质化,用户并不是很关注在什么平台获取,而是是否是自己感兴趣的。今日头条通过智能算法生成用户感兴趣的信息。

(2)用户需求

依然可以按照生产者和消费者两类划分。

今日头条的男性用户几乎是女性的一倍,主要为30-35这个年龄段。使用2000元内手机用户最多,男性最关注社会,娱乐,本地资讯,女性最关注娱乐,社会,时尚资讯。

对于生产者而言,特别是非大V级别的生产者,没有粉丝基础流量是很难获取的,新人出非有过硬的实力和运气,或者蹭热点搏出位等,才有可能快速获得人气。造成大V越来越大,新人总是小透明的情况。今天头条会把新人文章推在首页,如果阅读数据好,逐级扩大推荐范围,并不区分是否大V,这样等于大家在同一起跑线上。

当然也有投机者用擦边球博取阅读量,一定程度造成整体内容质量下降。而且用户可能心里对内容,对平台都评价低。

(3)首页设计

首页每次更新15条以内。内容有图片,视频,文字。来源有专业媒体和作者和广告。由于首页栏目众多,除了热点新闻以外文章时效性不是很强,内容也五花八门,特别适合广告插入。

当然,广告和新闻一样都可以用“不感兴趣”来屏蔽。“不感兴趣”,能让算法筛选到用户感兴趣的东西,而且在用户感兴趣的主题里,筛选过多相似信息的问题。

过去是用户主动获取新闻,看事实,看娱乐,看体育,现在feed流新闻根据用户喜好主动呈现。在首页的推荐内容里是根据用户推荐排列的,会出现一些不一样领域的内容,可以激发用户一些不是很“刚需”的需求。

之前说在推送上大V和新人平等,但是大V的文张有点赞,评论,转发的快速入口。其他文章需要在详情页操作。

在看了feed流案例之后,你对feed流设计有哪些想法呢?

总的来说,对于用户体验而言,有两个关键点永远是优化方向:

(1)给用户展示什么内容

(2)如何排列内容优


本文作者Angelina_Zhang,原文转自简文作者:Uki加菲喵,并经过本人再次删减整理。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 219,753评论 6 508
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 93,668评论 3 396
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 166,090评论 0 356
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 59,010评论 1 295
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 68,054评论 6 395
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,806评论 1 308
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,484评论 3 420
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 39,380评论 0 276
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,873评论 1 319
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 38,021评论 3 338
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 40,158评论 1 352
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,838评论 5 346
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,499评论 3 331
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 32,044评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 33,159评论 1 272
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 48,449评论 3 374
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 45,136评论 2 356