这是接上一篇文章
对Friendfriend一点思考的继续思考。在中国互联网的特定环境下,做什么有前途?在国内的SNS类型网站里面,大致有以下3类不同侧重点的网站:
1、侧重Friend Feed类型,比方说所有的抄袭Facebook架构的网站,以校内为首
2、侧重个人空间类型,比方说腾迅的Qzone,51.com
3、侧重熟人社交休闲游戏类型,比方说开心001
简单分析一下:
1、侧重Friend Feed类型的网站扩张前景比较小。即便按照我前面文章所述把Friend Feed做到很理想的程度,效果相对来说有限。因为:
1) 国外web2.0类型网站已经都成了流量最大的网站了,用户已经非常习惯在web2.0网站上面活动,产生动态,这为friend feed提供了基础。比如youtube、facebook、myspace、flickr、twitter等等。但国内web2.0网站其实并没有真正起来,即便流量有起色的web2.0网站也非常封闭。因此没有多少friend feed可以抓取。
2) 中国互联网用户在web2.0方面培养出来的普遍使用习惯仅仅限于:发帖子、写博客和网络聊天。但是只有网络聊天才是真正的全民普及。发帖子和写博客的网络用户仅仅占聊天用户不到1/10的比例。因此腾迅掐住了中国web2.0最大的咽喉。
3) 通过JavaEye网站的统计可以看出来,每天登录的注册用户大约1.5万,但是每天匿名浏览者超过15万以上,大约将近20万。登录用户每天产生feed的用户最多5000人。也就是说创造内容的用户和浏览用户比例在1:40左右。如果不能够有效发动那39倍的人群,让他们产生信息,留下足迹,显然扩张的余地很有限。
2、侧重个人空间类型的Qzone很成功,51.com也不错。基本上是利用SNS关系给个人空间带流量,解决用户孤独感的问题。面向低年龄用户收取虚拟网络服务费用。但这种类型网站的扩张仍然受限于1:40的问题,当然腾迅稍微特殊一点,Qzone某种程度上可以看成是QQ的延伸和补充。51.com也走向了融合网游的路,其他网站不见得可以模仿这条路。
3、熟人社交的休闲型社区,相对来说,扩张的可能性更高。原因在于1:40的那另外39个人,也许不会发贴,不会写博客,但是不会拒绝熟人邀请下去点点鼠标。问题在于以下几个方面:
1) 网站的用户导入期怎么操作?
2) 导入进来的用户,以提供什么样的服务进行商业价值转换?
3) 适合于这种特征的应用是什么?
解决好这3个问题,那么网站我相信就会做的不错。另外有一个伪问题是:“这种网站本质上是web game,用户玩一下就腻了,不来了,网站没前途。”
其实,网站不一定非要多高的用户黏性不可,网站流失用户也不是灭顶之灾。你已经把40倍的用户都拉来了,即使跑掉30个,那剩下的10个还是比原来的1个多10倍。最重要的在于网站要拥有把用户点击快速变现的能力,那么你根本不恐惧流失用户,用户已经给你带来现金了,你还要怎样,非绑死他不可?
总结陈词:
1、friendfeed好是好,做好了friendfeed,会成为一个很有价值的网站,但不意味着你的网站能成为暴发户。
2、不论用户学历高低,收入高低,互联网95%以上的用户都是鼠标型用户,不是键盘型用户。你要明白你花了95%的精力提供的功能仅仅是为5%的用户服务的。
3、键盘型用户才是你网站的忠实会员,有黏性的会员,能够feed出来信息的用户;而鼠标型用户离你的网站若即若离,你不要企图把所有的鼠标型用户统统转化为键盘型用户
4、为键盘型用户提供核心功能,他们决定了你网站的性质;为鼠标型用户提供转化为键盘型用户的机制
5、对于不太可能转换为键盘型用户的鼠标型用户,应该专门为他们开发网站功能,确保他们能够快进快出,不必有太大的心理压力,在保持和网站继续若即若离关系的同时,争取把他们的鼠标点击转化为商业价值。
分享到:
相关推荐
附件是安装NumPy教程_详细版,文件绿色安全,请大家放心下载,仅供交流学习使用,无任何商业目的!
语音端点检测及其在Matlab中的实现.zip
使用C#完成一般文档的打印,带有页眉,页脚文档打印,表格打印,打印预览等
directx修复工具 DirectX修复工具(DirectX repair)是系统DirectX组件修复工具,DirectX修复工具主要是用于检测当前系统的DirectX状态,若发现异常情况就可以马上进行修复,非常快捷,使用效果也非常好。
人脸识别的主要算法 其核心算法是 欧式距离算法使用该算法计算两张脸的面部特征差异,一般在0.6 以下都可以被认为是同一张脸 人脸识别的主要步骤 1 获得人脸图片 2 将人脸图片转为128D的矩阵(这个也就是人脸特征的一种数字化表现) 3 保存人脸128D的特征到文件中 4 获取其他人脸转为128D特征通过欧式距离算法与我们保存的特征对比,如果差距在0.6以下就说明两张脸差距比较小
ciscn 全国大学生信息安全竞赛知识问答-CISCN 题库.zip
JAVA+SQL离散数学题库管理系统(源代码+LW+外文翻译)JAVA+SQL离散数学题库管理系统(源代码+LW+外文翻译)JAVA+SQL离散数学题库管理系统(源代码+LW+外文翻译)JAVA+SQL离散数学题库管理系统(源代码+LW+外文翻译)JAVA+SQL离散数学题库管理系统(源代码+LW+外文翻译)JAVA+SQL离散数学题库管理系统(源代码+LW+外文翻译)JAVA+SQL离散数学题库管理系统(源代码+LW+外文翻译)JAVA+SQL离散数学题库管理系统(源代码+LW+外文翻译)JAVA+SQL离散数学题库管理系统(源代码+LW+外文翻译)JAVA+SQL离散数学题库管理系统(源代码+LW+外文翻译)JAVA+SQL离散数学题库管理系统(源代码+LW+外文翻译)JAVA+SQL离散数学题库管理系统(源代码+LW+外文翻译)JAVA+SQL离散数学题库管理系统(源代码+LW+外文翻译)JAVA+SQL离散数学题库管理系统(源代码+LW+外文翻译)
strcmp函数应用.zip
蓝桥杯单片机第十一届国赛设计题试做
基于MATLAB的pca人脸识别.zip
520.html
JAVA在线考试管理系统(源代码+LW+开题报告+外文翻译+英文文献+答辩PPT)
STR710的定时器编程C语言例子,开发环境为IAR EWARM。.zip
协同过滤算法(Collaborative Filtering)是一种经典的推荐算法,其基本原理是“协同大家的反馈、评价和意见,一起对海量的信息进行过滤,从中筛选出用户可能感兴趣的信息”。它主要依赖于用户和物品之间的行为关系进行推荐。 协同过滤算法主要分为两类: 基于物品的协同过滤算法:给用户推荐与他之前喜欢的物品相似的物品。 基于用户的协同过滤算法:给用户推荐与他兴趣相似的用户喜欢的物品。 协同过滤算法的优点包括: 无需事先对商品或用户进行分类或标注,适用于各种类型的数据。 算法简单易懂,容易实现和部署。 推荐结果准确性较高,能够为用户提供个性化的推荐服务。 然而,协同过滤算法也存在一些缺点: 对数据量和数据质量要求较高,需要大量的历史数据和较高的数据质量。 容易受到“冷启动”问题的影响,即对新用户或新商品的推荐效果较差。 存在“同质化”问题,即推荐结果容易出现重复或相似的情况。 协同过滤算法在多个场景中有广泛的应用,如电商推荐系统、社交网络推荐和视频推荐系统等。在这些场景中,协同过滤算法可以根据用户的历史行为数据,推荐与用户兴趣相似的商品、用户或内容,从而提高用户的购买转化率、活跃度和社交体验。 未来,协同过滤算法的发展方向可能是结合其他推荐算法形成混合推荐系统,以充分发挥各算法的优势。
FTP(File Transfer Protocol)是文件传输协议的简称。 FTP的主要作用,就是让用户连接上一个远程计算机(这些计算机上运行着FTP服务器程序)查看远程计算机有哪些文件,然后把文件从远程计算机上拷到本地计算机,或把本地计算机的文件送到远程计算机去。 目前FTP服务器软件都为国外作品,例如Server_U、IIS,国内成熟的FTP服务器软件很少,有一些如(Crob FTP Server),但从功能上看来远不能和那些流行的服务器软件媲美。
本项目基于深度学习TensorFlow框架,针对滚动轴承故障诊断方法进行研究。项目采用了卷积神经网络(CNN)对轴承振动信号进行特征提取和分类,实现了对滚动轴承不同故障类型的自动诊断。 在技术实现上,项目利用TensorFlow搭建了一个高效的CNN模型,通过多层卷积、池化操作以及全连接层,自动学习轴承振动信号中的故障特征。同时,采用交叉熵损失函数优化模型参数,提高故障识别率。此外,项目还集成了数据预处理、模型训练、测试评估等功能模块,方便用户快速上手并进行实验研究。 经过运行测试,该项目代码运行稳定,诊断效果良好,可广泛应用于滚动轴承故障诊断领域。对于计算机相关专业的在校学生、老师或企业员工来说,该项目是一份难得的高分大作业资源,同时也是小白学习和实际项目借鉴的优秀参考资料。请放心下载使用,为您的学习和工作提供帮助!
超详细的SpringBoot框架入门教程 Spring Boot框架快速入门教程以大量示例讲解了Spring Boot在各类情境中的应用,让大家可以跟着老师的思维和代码快速理解并掌握。适用于Java 开发人员,尤其是初学Spring Boot的人员和需要从传统 Spring 转向 Spring Boot 开发的技术人员。 下边是动力节点的SpringBoot教程非常适合初学入门,讲的非常详细,而且全程无废话!
毕业设计[主机域名]ISPConfig 3.0.1.3_ispconfig3-codepub.zip
matlab开发-用交叉熵优化多变量宏观模型随机多极值优化.zip
矩阵特征值的计算方法.zip