火的不是直播 而是直播背后的社交

从早期的网络直播尝试到Facebook Live API的开放,文章回顾了视频直播技术的发展历程,并探讨了社交网络如何与直播相结合,形成实时社交体验。指出直播并非因网红而流行,而是因为人们在相同时刻分享共同兴趣的需求。

在 Facebook 的 2016 年 F8 开发者大会里,Zuckerberg 正式宣布开放 Facebook Live 的 API 虽然,目前还不是所有人能用到此功能,但在 Facebook Live API 开放后,任何设备都可以用作 Facebook 的视频直播工具。

我们不知道为什么 Facebook 一开始不直接向大众开放视频直播,但他们由最初只提供给各种网红直播的 Facebook Mentions,转为向整个社交网络开放,可能揭示了视频直播的流行,其实不因为“网红”,而是因为实时社交。

视频直播的开拓史

网络直播这玩意由来已久。根据资料显示,史上第一次的网络直播是 1993 年 Severe Tire Damage 现场音乐会,但真正意义上的网络直播平台,是 1995 年苹果合作开发的 Webcast,以及 Real Network 公司(下图)的串流平台 Real Player;后来的 Flash Player 在促进了网络视频的发展的同时,也促进了基于 Flash 的直播视频。可是,尽管串流技术日渐成熟,但由于视频本身需要消耗巨大流量,故此,网络直播一直没有流行起来。

Real Player

到了 2000 年以降,随着光纤宽带网络开始普及,网络直播的条件也开始成熟。由于当时中国的版权意识还不算成熟,在 2005 年,基于 P2P 技术、有侵权之嫌的各种媒体,快速成中国网络视频的主流,并进一步促进了网络直播的兴起;当时有不少人就透过网络,偷看欧美地区的直播体育比赛。不过,虽然当时网络媒体快速崛起,但偏偏国内没有因而出现大量视频自媒体,也没有今天一大堆的网红主播。

在差不多时间,YouTube 在大西洋的彼岸兴起,促使美国出现了一堆被称为 YouTuber 的自媒体,而视频分享也成为了最新、最潮的社交活动。不过,无论当时视频分享有多火爆,基于视频的网红不断冒起,但直播仍然没有受到 YouTube 以及大众的重视。直到 2008 年,YouTube 才开始推出了 YouTube Live 的直播服务,虽然它在“电子游戏竞技”(esports) 领域算是有点成绩,但一直没有受到一般 YouTuber 的重视,后来更被 The Verge 形容为“灾难性的场景,就可以看到它当时的处境是多尴尬。

视频直播,一直未找到它的爆发点。

实时社交网络的出现

相比之下,社交网络的发展远较直播更为迅速。互联络发展伊始,由最初的电子邮件 (Email) 、電子佈告欄 (BBS) 到后来的讨论区 (Forum),其本身就是一个巨大的社交网络。在 1990 年代开始,即时通信 (Instant Messaging) 慢慢流行起来:在上世纪 90 年代,ICQ、MSN 和 QQ 的热度并不逊色于今天的任何一个社交网络;不过,这些即时通信应用尽管有一定程度的多人沟通功能,但我们仍然很难透过即时通信应用结交新朋友,所以原理上它们都不属于现代的“社交网络”。

随着 2004 年 Facebook、2006 年 Twitter 等这种能让人在网上结交朋友的“现代社交网络”像雨后春笋一般出现,它们可以藉著互联网,帮助用户结交新朋友,并进一步连结成一个复杂的社交空间。结果在这种“现代社交网络”的影响下,这些老牌社交应用的角色愈来愈不重要……没料到“现代社交网络”坐上王者宝座不久,就遇到即时通信应用的反击。

Instant Messaging

事实上,像 MSN 之类的即时通信应用一直都称不上真正的“即时通信”,因为在前智能手机的年代,我们并不能一直在线回覆,所以史上最多人使用的“即时通信”,不是 MSN,而是 SMS (短信息):在 2010 年,就有 36 亿人在使用 SMS,占了 2010 年全球 68 亿人口的一半以上。即使到了后来 Whatsapp 快速崛起,也没能成功取代 SMS 的地位。

直到 2011 年 Whatsapp 加入了群聊 (Group Chat) 功能后(上图),它把 Facebook 式的社交网络、与 SMS 式即时信息合而为一,直接促使 Whatsapp 的受欢迎程度突然快速飙升,然后在 2014 年,Facebook 花了 Instagram (10 亿)的一倍的收购价钱,收购 Whatsapp(22 亿),代表了 Facebook 很明显感受到实时社交应用的压力。随着 Facebook Messengers 和微信相继引入群聊功能,现代人的手机里,几乎每天都会有几个群组的人不断的“交流”,烦得你最终把它们都消音了。

现代人的社交网络,已被“实时化”了。

直播与社交的交叉点

虽然,“视频直播”和“社交网络”两者根本风马牛不相及,但基于直播的实时原则,以及社交日趋实时化,它俩最终走在一起。

在 2010 年,当时还在冒起中的 Twitter 一直都苦于所谓的信息量过载而崩溃,出现“推特鲸鱼 (Twitter Whale)”。在 2010 年世界杯足球赛期间,每当比赛直播时,鲸鱼都会出来肆虐。后来就有不少分析就因而指:社交网络的流行,催生了所谓“第三屏” (Third Screen) 的概念:

视频直播会产生巨大的社交需求,所以我们需要第三屏来处理社交信息。

但出乎意料地,三年后 Twitter 发生了一次著名的崩溃事件,让我们知道第三屏的重点并不是“内容”:在 2013 年 8 月 3 日,日本电视台播放一套 1986 年的老动画:宫崎骏的“天空之城”。当主角最后念出毁灭咒语“ ”(下图)的一刻,不但“天空之城”被咒语毁掉,就连 Twitter 也受到“史上最严重的咒语攻击”(下图),其伺服器流量一瞬间急增 7-8 倍,达到每秒 14 万条以上的“ ”信息量,然后直接挂掉。

我们本来以为只有像世界杯这种重要的直播事件,才有如此巨大的社交需求,但“天空之城的鲸鱼”告诉我们:重点不是事件或内容,而是人类往往喜欢在同一个时刻,分享自己对相同爱好的感受。直播视频,只是这种实时社交的一个诱因。

早前大热的视频直播应用“17”亦是另一例子:虽然 17 的大热更可能是可能涉及色情内容变得十分红火,但如果单纯要看色情内容的话,“17”的色情内容无论在的画质上还是内容上也远远不如正规的“爱情动作片”,但当网络色情资源如此蓬勃的时候,仍然有巨量的群众涌去围观别人的色情直播。也许正如和菜头所说:“性是第一生产力,无聊是第二生产力,免费是第三生产力”,“17”其实不就是基于色情包装的“实时社交网络”?

与“17”差不多时间大热的 Twitch ,是一个游戏直播网站:也是 YouTube 直播游戏频道的强大对手。有人分析 Twitch 的成功功素,而其中两个就是:

在同一内容下的多种经验社区和互动

看来,人类真的很喜欢在同一个时刻,分享自己对相同爱好的感受。

火的不是节目,而是派对

YouTube 的消费产品部主管 Manuel Bronstein 在去年曾在 Wired 表示:

做视频直播很不容易。一段没经修剪的两分钟视频,很难让人觉得有趣,更不要说是 1-3 小时的直播。

Twitter 在 2014 年收购花了 8600 万美元,收购视频直播应用 Periscope。但是这 8600 万美元里面的内容,有多无聊就多无聊:不是怪人在跳舞、就是老外在吃饭。但是,Periscope 仍然可以很受欢迎,用户停滞不前的 Twitter 仍然很花大钱把它拿下。为什么一个无聊的直播视频,也可以吸引几百、甚至几千人围观?为什么一个无聊的视频直播应用,可以值 8600 万美元?

那其实是由于直播本身的实时性,用户都在可以在同样感兴趣的内容下,进行实时的社交活动:好的内容,大家可以一起互动;坏的内容,大家可以一起吐槽。内容不重要,视频弹幕才是精华所在:视频直播不是一个“节目”,而是一个“派对”,一群有相同兴趣的朋友,可以同一时间在同一个派对里玩得很愉快。

至于为什么要搞这样的一个派对?一点也不重要



本文转自d1net(转载)

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借人是否可能违约。其通过逻辑函数将输映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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