发现文章被疯狂转发的“基因”

作者：Mark van Rijmenam

翻译：于丽君 校对：康欣

欢迎个人转发朋友圈；其他机构或自媒体转载，务必后台留言，申请授权

数据，只是矿石；数据分析，将矿石加工成钻石。今天，让我们一起来看看《纽约时报》是如何从矿石加工出钻石。

每天都有成百上千的文章在纽约时报网站上线。然后，所有这些文章都会在社交媒体网络上被分享和评论。为了解这些文章通过社交分享的影响力，纽约时报开发出一款名为Cascade的工具。它能够展示读者与发布者之间千丝万缕的联系，为纽约时报提供了多重视角。

注：字幕为自动生成，纰漏之处请谅解。

这些分析可以被用于撰写可获得广泛分享的文章，从而具有更大的影响力。对于所有出版者而言，有尽可能多的阅读量都是至关重要的，理解这些文章如何以及为何被分享，可以帮助发布者提升内容质量，引来更多流量。

Cascade项目有多重目标，因为纽约时报希望了解以下信息：

• 理解单条tweet（英文微博）的影响力

• 在140个字符内可以产生多少对话

• 特定人群是否在某些话题更有影响力，以及这些人是谁

• Tweet内容是否会对其影响力产生作用，以及如何产生作用

• 什么因素影响tweet的影响力，比如一天中的某个时段或者一周中的特定日期

这个项目的想法在于，它可以帮助纽约时报了解如何在对话中扩展其影响力；并且，作为领域内新闻和信息领导者，维持自身地位。其中的可视化部分，正如视频中所展示的那样，会为他们提供一个清晰的分析：一旦一个故事在纽约时报上被发布，它是如何通过因特网被传播的。这是非常关键的信息，将会帮助纽约时报提升内容品质。

纽约时报正试图将该款工具扩展到其它品牌，并帮助他们了解自身的影响力。最终，他们希望以此工具协助任何线上发布的出版者，能够让他们创造出更好的作品。

文章来源：

https://datafloq.com

【译者简介】

有意联系译者，请给“大数据文摘”后台留言，附自我介绍及微信ID，谢谢！

于丽君：本科硕士毕业于清华大学数学系，硕士研究课题为图像修补问题建模，目前为美国Case Western Reserve University应用数学在读博士，研究方向为贝叶斯方法反问题建模，博士研究课题为利用MEG（脑磁成像技术）时序信号对大脑活动进行定位，对数学建模、机器学习、人工智能以及图像处理等方面有广泛兴趣，希望结识更多相关领域的朋友互相交流进步。

康欣：博士，多年从事图像及数据处理和分析、计算机视觉、模式识别、机器学习、增强现实等领域的技术研究和创新应用，现为西门子中国研究院高级研究员。希望借此平台，与大数据分析爱好者以及专家学者交流、合作。