一.用户需求分析：

①了解实时新闻，有一个与外界的信息沟通渠道

②能够将自己投入新闻热点的讨论与分析中去，自我表达的需求

③假新闻爆炸时代用户可以得到真实的新闻

④深度学习技术提供的个性化新闻引荐

对应的KANO模型

二.用户分析（基于大数据）

①用户使用场景：

工作之余（例：下班坐地铁和公交，梳理心情和了解一下有趣的新闻，消磨时光）

休息前后（例：睡觉前和起床后，懵懂状态过度到精神振奋状态的一个媒介，看看今天会有什么头条还有总结今天的讯息）

工作，学习中（例：工作累了放松心情，学习累了放松心情寻找灵感）

②各个年龄阶段对新闻的需求

• 小孩子：第一个想到的肯定就是动画片了。这是每一个小孩子的爱好。当然还有一些小孩子会看其他的，比如什么画画之类的，围棋，跳舞，唱歌等等。这是针对大多数小孩子观众的。
  
• 学生：一天接触手机比较少。但是还是有一些不好好学习的学生就会偷着玩手机。那么他们一般会找一些游戏的视频，或者电影的片段来看看。并且有些学生由于自控力不好，也许还会看一些比较有挑逗意味的新闻图片之类的。这都是正常的。当然这也是针对大多数，不排除个别人会有自己的喜好。
  
• 中青年人群：这个群体是很庞大的。他们一般都是一些没有家室或工作的人，或者是结婚过日子的人。他们关注的就更广泛了。像男生，一般会看一些体育新闻之类的，还有影视剧，当然美女是他们无法避免的。女生一般就会看一些化妆品，衣服之类的。这是针对大多数，有少数人可能会有自己的爱好，他们会照着自己的喜好来观看。
  
• 老年人：老年人一般会去看一些在我们看来是过去的东西，比如戏曲，或者是当下的一些时政要闻，还有养生，健康之类的东西。
  

③不同性别对于新闻资讯的使用

④不同地域的人对新闻客户端使用率

三.技术背景

①基于深度学习的推荐算法

新闻推荐是现在新闻媒体普遍使用的功能，主流媒体应用的都是基于特征的推荐：对于新闻推荐，物品的属性则有可能是新闻的文本内容、关键词、时间等，同时包括用户的点击、收藏和浏览行为等等。在电商网站上，还可能包含很多信息评论文本（Review Text）、用户查看的历史记录、用户购买的记录等。还可能获得用户的反馈信息，总体上可以分为两类：一是显式的用户反馈（Explicit Feedback），这是用户对商品或信息给出的显式反馈信息，评分、评论属于该类；另一类是隐式的用户反馈（Implicit Feedback），这类一般是用户在使用网站的过程中产生的数据，它们也反映了用户对物品的喜好，比如用户查看了某物品的信息，用户在某一页面上的停留时间，等等。对于基于背景敏感的推荐，可以使用SVD++ [2], SVDFeature [3], libFM [4]等基于特征的推荐算法。

推荐算法可以被理解为一个极端的multiclass classification；我们要做的是，在某一个时间（t），从所有的新闻里面（V），对于某一个新闻（i），这个用户（U）在这个context下（C）会不会去选择看这个新闻（Wt = i）,通过以下算法进行学习用户植入内容。

此算法实现的内容是根据时间，评论，新闻特征的推荐。

②新闻大数据

现在新闻大数据的利用率低下，推荐系统较为成熟，但是对于推荐的新闻价值无法考量，垃圾数据冗余量大，大数据的价值不明显，发展方向清晰。

• 为客户端推荐算法的模型训练提供数据原型
  
• 为垃圾数据检索提供大数据模型
  
• 为分析各行各业的动态提供大数据来源
  
• 为原始新闻提高价值转化率
  

③垃圾新闻筛选

KNN算法：通过从数据集中找到和此新闻最接近的k条记录，然后根据他们的主要分类来决定新的新闻类型

贝叶斯：对于给定的待分类项，求解在此项出现的条件下各个类别新闻出现的概率哪个最大，就把此待分类项归属于哪个类别

SVM（支持向量机）：建立一个超平面作为决策平面，使得正例与反例之间的间隔最大化，这两类样本中离决策平面最近的训练样本就叫做支持向量

总结：现阶段SVM算法在新闻的过滤上面效果最佳（不过好像也没好到哪里去。。。），贝叶斯算法其次，KNN算法的区分度不高，在这个垃圾新闻筛选领域还有很多的工作要做。

四、市场分析

互联网新闻产业链日渐完善，在新闻生产、渠道分发环节都形成了相对成熟的发展机制，市场监管日益完善，参与主体日趋多元。生产模式上，UGC用户生产方式逐渐向机构化过渡，形成了专业新闻生产业与用户生产相融合的发展趋势；分发模式上，“算法分发”逐渐成为网络新闻主要的分发方式；传播模式上，媒体“去中心化”和传播“多层次化”的特征日渐显现；商业模式上，呈现出商业广告为主，多样化模式探索并存的局面。

市场占有率方面，腾讯新闻和今日头条占有率最高，移动端对新闻的需求量大于PC端，各大公司都把技术和产品投身于移动端。

用户的角度，对于评论，分享，新闻获取的需求更多，而且多为社交媒体为主。

五、用户体验分析

六、发展方向

①增强推荐的准确率和推荐的有效性

②提高大数据的利用效率,以数据为核心，但不同的途径获取获取到的数据，可能存在着条目重复性、文件格式的杂乱性、空白值等问题，需用 Excel、Spss、Clementine 等软件对不完整的数据、重复的数据进行“清洗”。解决新闻呈现形式单调的缺点，数据新闻与当下最新的新闻生产技术和理念相结合，形成独具匠心的报道。

③垃圾筛选（标题党，垃圾评论）加强，尽量提供给用户纯净优质的内容。新闻媒体业要抓住“质”和“量”两个关键，丢失任何一种都会让用户体验下降，“质”方面就要通过更多技术手段进行数据处理和新闻过滤，“量”方面也要不光考虑推荐给用户的用户经常浏览的内容，也要分析用户长时间没有涉及的一个领域，“新”新闻会让用户的浏览范围更广，也会满足用户多方面浏览的需要。

④客户端的离线使用：在这方面可能很多新闻客户端没有注意到，离线使用关系到数据缓冲流，缓存的使用，也在一定程度上影响着用户体验，用户在某些时候（可能为了省流量）避免不了离线使用客户端，离线不能单纯只是提醒用户没有连接网络，而是应该用一种引导式的思想去引导用户通过流量使用客户端，这时候缓冲的作用就体现的非常明显了，如果用户离线可以看到图片和文字介绍的话，用户对感兴趣的新闻会下意识地点击然后意识到没有使用流量，这时候做为客户端要想办法引导用户使用流量，对于离线用户的使用也是不单单新闻客户端，所有客户端需要考虑的一个问题，让用户离线使用的功能最大化和优化用户体验。

总结起来，新闻客户端其实接触面比较广，对于群体的思想个渗透较深，如果内容质量无法提升，会潜移默化地影响人们的认知，不能为了流量玩而牺牲用户体验和用户对信息的真实性需求。