知情郎·眼｜

侃透天下专利事儿

“得到”APP上市又卡壳了。

罗振宇的罗辑思维母公司思维造物IPO第三次被暂停审核！

2020年6月上创业板，到眼下快2年了，还是卡在IPO排队通道中，公司都经历三轮问询了。

看来，知识付费变现模式监管层不大认可啊。

知情郎笑笑，知识付费是不是个伪命题，公说公有理婆说婆有理。

不过，知识付费门槛低、成本低、粗制滥造，倒是公认的。

大家都认为知识付费属于收民众智商税的领域，没有护城河，且过于依赖知名顶部IP，商业模式极其不稳定。

国内知识付费4大代言人是：樊登、吴晓波、罗振宇、罗永浩。

坊间戏称，收民众智商税之流星花园F4男团。

这4个人其实都想把自家企业搞上市，不过都没成功。

今天，知情郎就来聊聊知识付费行当的专利故事。

01樊登读书会每年赚多少钱？

知情郎从不关心资本如何包装商业模式，只看能不能赚到钱。

市场里的需求千奇百怪，有刚需、有真需求、有伪需求，很多人特立独行口味独特。

但有一点是共同的，能让人心甘情愿掏钱的服务，总有独到之处，总满足了一部分人的特定癖好。

所以，关心商业模式，意义不大。

其实，在市场里，人人每天听着千人千面的话术，早就无感腻味了。

知情郎每天都接到各种鸡汤、励志、激将营销套路广告。

早就麻木了！各种立牌匾的、忧国忧民的、关爱自己人生成长的，哎呦喂，真是满嘴跑火车处处为你好的吹拉弹唱。

这世道，混市场的人人话术精湛，各个演技无双，哪还需要人教，丢人不？

言归正传，樊登读书会能赚钱吗？

据说是挺赚钱的。

读书会运营主体公司是上海黄豆网络科技有限公司，从爱企查的数据看，目前处于B轮融资状态。

知情郎在微信群经常会遇到樊登读书的运营人员拉人进群，搞每天分享一本好书的套路做私域。

樊登，在被人包装的营销稿里，曾被称为抖音上最赚钱的IP，更是有传闻称，通过矩阵模式，樊登一年在抖音变现50亿。

人家樊登自己说，读书项目2020年的营收是10亿元左右，在疫情期间做到近乎一倍的增长。

读书会能赚钱，知情郎信，能赚那么多钱，知情郎只能笑笑，不做评论。

问题是，各位看客，你信吗？

02吴晓波的上市故事

吴晓波，国内商业财经的老枪儿，早年自己开了个财经出版社蓝狮子，专门制作财经类书籍，还上市了。

人家笔杆子一个，这些年开了个“吴晓波频道”，天天在讲商业故事。

自媒体运营主体是巴九灵（杭州巴九灵文化创意股份有限公司）。

早几年，人家也想把这个自媒体搞上市，当然自媒体太不上档次了，就换了层皮，包装下资本故事，将公司摇身一变成了“知识产品服务提供商”。

当年，吴晓波曾试图通过全通教育作价15亿曲线登陆资本市场，但没成功。

这事儿一度议论纷纷。

为何？

因为市场里的很多人觉得，A股虽然海纳百川，但再怎么没底线，上市公司还是要有点含金量了，还是要能带动就业体量了，还是要能搞点真东西出来了。

这种自媒体公司也能轻易上市，上市不就成了IP资本套现笑话，失去了资本市场真正的意义。

不能那么没品，你说是吧？

2020年6月，市场还传出巴九灵要上A股辅导备案的消息。

浙江证监局公示了！

这都2022年4月，2年过去了，没啥动静，是不是黄了，折腾不动了？

谁知道呢。

骑驴看唱本，走着瞧呗。

03罗永浩的折腾

生命的意义在于折腾，人生则是一番经历。

不管是赚到了多少钱，还是落了一身负债。

这是胖子罗永浩的故事。

其实当年做锤子手机时，作为手机行业最会说相声的CEO，他不早早去做知识付费，可惜了。

大家觉得，在锤子手机发布会上，观众买单的是罗永浩的单口相声自吹自擂门票钱，绝不是什么锤子手机。

门票的收入证明了人家口才脱口秀的能力，侧面印证了他在手机行业的努力是无用功。

您，不去德云社和郭德纲唱对台戏，真是屈才了！

另外，直播卖课这概念，也是罗永浩带起的节奏。

人家和合伙人搞了个杭州交个朋友教育科技有限公司，直播间天天卖课，凭借着个人IP光环，还真卖出了不少销售额。

至少，人家把搞手机创业时负的债都还了。

罗振宇的上市路监管层卡着呢！

“知识付费第一股”，这是人家对得到APP的尊称。

作为国内贩卖焦虑的大佬人物，人家每一句话都在刺激你，赶紧冲钱提升充实自己，颇有腾讯游戏氪金套路的风格，不冲钱还想提升战力碾压别人？

滚一边凉快去。

不过，罗振宇好歹做了个APP，有模有样有形象，否则靠一个微信公号、小程序、PC网站，真的让资本都看不下去了。

早在2020年，罗振宇的罗辑思维母公司思维造物向创业板正式递交IPO申请。

当初，募集资金约10亿，公开发行不超过1000万股，占发行后总股本比例不低于25％，估值40亿。

估值这玩意啊，大家看看就是了，别当真。

市场里，最假的就是估值和定价这一说，纯晃点人的。

当时的《招股书》显示，思维造物由罗振宇于2014年创立。罗振宇通过直接及间接方式持有公司共计46．61％的表决权，为公司实控人。

此外，持有思维造物5．2％股份的股东——造物家，背后还有柳传志（出资比例9％）、俞敏洪（出资比例4．5％）、李善友（出资比例4．5％）等一众行业大佬加持。

思维造物旗下有罗辑思维、得到App、得到高研院、“时间的朋友”等众多知名的互联网品牌和知识付费品牌。

然后，从2020年到2022年，思维造物一直被卡在问询阶段。至今已超17个月，IPO进展远远落后于同期受理企业。

公司经历了三轮问询，创业板定位是深交所核查的重点。包括核心技术是否具备创新性、是否区别于行业通用技术，是否属于成长型创新创业企业。

前几日，IPO审核状态又变更为“中止”，公司招股说明书都更新了六版了。

大家集体吐糟，唉，看来监管层是想让公司知难而退，人家公司坚韧不拔，就是不撤，死活要上！

从业绩看，思维造物已经处于疲软下滑期了。

在罗振宇的光环下，思维造物曾有高光时刻。“得到”APP只用了两年的时间就获取了1300多万用户，展现出巨大的商业潜力。

不过，其新增用户数及新增付费用户数也正遭遇增长瓶颈。

2018年－2021年6月底，“得到”App新增注册用户数量分别为681．37 万人、397．50万人、456．46万人及 172．03万人，新增付费用户数量分别为164．91 万人、91．10万人、82．61万人及 33．37万人。

财务数据显示，2018－2020年以及2021年上半年，思维造物实现营业收入分别约为7．38亿元、6．28亿元、6．75亿元以及4．39亿元；对应实现归属净利润分别约为5329．76万元、1．17亿元、4006．35万元、2863．67万元。

看日活和收入，明显看出，公司后力不济，下滑趋势明显。

对此，思维造物在《招股书》中表示，由于市场推广费用的变化，付费用户数量出现下滑。如果未及时调整推广战略或相关调整未能奏效，可能会面临App 用户等各项指标增长有限或持续下滑的风险。

05从专利角度看知识付费F4

一家家的查专利，看看张嘴就指导你人生的知识付费公司有没有专利。

先看罗振宇的公司，思维造物都要上A股了，总要有点技术实力。

公司全称北京思维造物信息科技股份有限公司，查了下公司股权架构，比较大的子公司主体是上海思维造物信息技术有限公司、天津思维造物文化传播有限公司、北京得到信息科技有限公司、北京思维造物投资管理有限公司。

上述公司注册资本都在500万以上。

在德高行全球专利数据库（德高行是全球专利分析及国内外专利申请服务的专家，有专利问题找德高行）检索得出，北京思维造物，中国专利75件，包括发明公开45件、发明授权5件、外观设计25件。北京得到信息，一件发明公开。

所以，整体看，罗振宇的思维造物76件中国专利。

06巴九灵没专利

再看吴晓波的巴九灵有几件专利。

杭州巴九灵文化创意股份有限公司旗下比较大的子公司有杭州任行文化创意有限公司、金华灵溪信息科技有限公司、上海巴九灵文化传播有限公司。

注册资本都在2000万以上。

在德高行全球专利数据库中，一件专利都没有。

知情郎，可以对巴九灵下判断了，这公司无专利上市，监管层估计大概率都不想受理。

专利虽然不能体现公司实际的技术实力，但至少要有点门面，至少要体现公司技术部门在动脑子搞点花样，啥都没，大家都说不过去。

樊登读书会的运营主体是上海黄豆网络科技有限公司，旗下核心公司上海旷清网络科技有限公司，宁波梅山保税港区飞樊投资管理有限公司。

注册资本都在1000万以上。

简单查了下，樊登读书会中国专利就外观设计4件。

唉，就是这么回事。

07敏感词过滤法

分享几个罗振宇公司思维造物的专利，看看知识付费行当的工程师在研究什么

背景技术

随着互联网的高速发展，用户可以更加自由地发布原创内容，用户生成内容（UserGenerated Content，UGC）的数量急剧增长。尤其是在文本领域，用户可以随意发布自己的观点、评论等。

然而，部分用户的原创内容存在涉黄、涉恐、涉政或者广告等不适合公开发布的违禁内容，这些内容的发布将会影响内容平台其他用户的使用体验，甚至对社会产生一定的危害性。目前，许多网站为识别违禁内容，采用关键词过滤等策略加人工审核的方式，以避免违禁内容的发布。

然而，受限于过滤策略以及人工处理速度，在面对内容越来越丰富、数量越来越庞大的互联网用户生成文本内容时，上述方式很难满足对大量新型复杂文本的审核需求。

发明内容

本申请实施例提供一种文本审核方法、装置及系统，用以实现对文本内容进行审核，判断是否包含有违禁内容。

第一方面，本申请实施例提供的一种文本审核方法，包括：

获取待审核文本；

根据敏感词表确定所述待审核文本中包含的第k个违禁类别的敏感词，根据所述包含的第k个违禁类别的敏感词确定所述待审核文本在所述第k个违禁类别上的第一分数，k＝1，2，．．．，N，其中，N表示违禁类别的数量；根据第k个违禁类别的审核模型确定所述待审核文本在所述第k个违禁类别上的第二分数；根据所述第一分数和所述第二分数确定所述待审核文本在所述第k个违禁类别上的评分；根据所述评分确定所述待审核文本是否包含违禁内容。

在上述实施例中，采用了通过深度学习得到的语言模型结合敏感词表的审核方式，有效保证了文本审核的准确性，能够对大量的新型复杂文本进行审核。

第二方面，本申请实施例提供的一种文本审核装置，包括：

获取模块，用于获取待审核文本；

评分模块，用于根据敏感词表确定所述待审核文本中包含的第k个违禁类别的敏感词，根据所述包含的第k个违禁类别的敏感词确定所述待审核文本在所述第k个违禁类别上的第一分数，k＝1，2，．．．，N，其中，N表示违禁类别的数量；根据第k个违禁类别的审核模型确定所述待审核文本在所述第k个违禁类别上的第二分数；根据所述第一分数和所述第二分数确定所述待审核文本在所述第k个违禁类别上的评分；

确定模块，用于根据所述评分确定所述待审核文本是否包含违禁内容。

第三方面，本申请实施例提供的一种文本审核系统，包括：

审核模块，用于根据第一模型和第一敏感词表对待审核文本进行审核，并输出审核结果；

模型训练模块，用于获取历史文本数据，所述历史文本数据包括审核文本和所述审核文本是否包含于违禁内容的判断结果；

根据所述历史文本数据训练第二模型，根据所述历史文本数据对所述第二模型进行测试，根据测试结果对第二模型的性能进行评估；

若所述第二模型的性能高于所述第一模型的性能，则将所述第二模型发给审核模块；

敏感词评估模块，用于获取第二敏感词表，使用所述第二模型对所述第二敏感词表进行评估，根据评估结果对所述第二敏感词表进行调整，将调整后的第二敏感词表发送给所述审核模块；

审核模块还用于：在接收到所述第二模型后，将所述第二模型替换所述第一模型；和／或，在接收到所述第二敏感词表后，根据所述第二敏感词表更新所述第一敏感词表。

在上述实施例中，文本审核系统中的模型训练模块一直在训练新模型以应对新型复杂文本，有助于提高文本审核系统的及时性、准确性。

08流量推荐算法

背景技术

随着信息技术的发展，为用户推荐个性化内容的需求也随之高涨。目前，大多数的推荐系统基于相同的策略以及用户的历史行为进行建模，以实现为用户推荐感兴趣的内容。

然而对于不同场景和不同的用户群体，采用相同的策略进行内容，未必能够满足用户需求。此外，对于数据稀疏、冷启动等情况，也不适宜采用相同的推荐策略。

发明内容

本说明书实施例提供一种推荐策略分桶方法、装置及设备，用以解决采用单一推荐策略为用户推荐内容的局限性问题。

本说明书实施例提供一种推荐策略分桶方法，用于实现配置多种推荐策略并根据每种推荐策略是否贴近用户需求调整相应的流量配比。

参见图1，为本说明书实施例提供的推荐策略分桶方法的流程示意图，如图所示，该方法可以包括以下步骤：

步骤101、针对同一应用场景，配置多个推荐策略，每个推荐策略对应一个分桶。

针对不同的场景可以采用不同的推荐策略，例如，针对一款应用的首页和其下设的不同功能分页，可以使用不同的推荐策略为用户推荐内容。而在本说明书实施例中，即使在同一应用场景中，也可以配置多个推荐策略，以实现灵活地为用户进行推荐。

推荐策略可以包括以下一种或多种：

召回方式，从海量信息中召回用户可能感兴趣的内容，即推荐给用户的候选内容。举例说明，在一个学习阅读类的应用程序（Application，APP）中，包含有海量的学习内容或电子书籍等，可以根据用户的历史阅读记录分析用户偏好的学习类型、阅读类型从海量内容中选出用户可能感兴趣的若干个学习内容或电子书，或者，还可以根据学习、阅读的热度为用户推荐热度较高的若干条内容。

召回方式具体可以包括基于标签的召回方式、基于行为的召回方式、基于热门的召回方式、基于随机因子的召回方式、基于深度神经网络（Deep Neural Network，DNN）召回模型的召回方式等等。

过滤设置，即对召回的内容进行过滤，过滤掉用户可能不感兴趣的内容。例如，可以设置对用户已阅读的内容进行过滤，或者对用户已购买的商品进行过滤，或者对属于用户已标记不感兴趣的类型的内容进行过滤等。

降权设置，可以对已经曝光过的内容进行降权。在召回内容时可以根据召回配置对召回的内容进行打分，得到第一分数，可作为确定内容显示顺序的参考，若确定召回的内容中包含已向用户展示的内容或已推荐给用户的内容，则可以在其第一分数的基础上乘以降权系数，以降低该内容的第一分数，从而可能导致该内容在展示给用户时的排位较为靠后。

例如，设置降权系数“expoScore”：0．01，则表示将已曝光过的内容的第一分数乘以0．01。当然，乘以降权系数仅为一种具体实现方式，还可以通过其他方式实现降权，例如在第一分数的基础上减去降权分数等。

加权设置，可以对部分类型的内容进行加权。例如，用户已标记偏好语言类学习内容，则可以对召回的语言类学习内容进行加权，即，对该语言类学习内容的第一分数乘以加权系数，以增加该内容的第一分数，从而可能使得该内容在展示给用户时的排位较为靠前。当然，乘以加权系数仅为一种具体实现方式，还可以通过其他方式实现降权，例如在第一分数的基础上加上加权分数等。

排序模型，用于对召回的内容进行排序。不同的排序模型在训练时可能使用的训练样本或参数不同，导致对同样的输入内容输出的排序结果不同。排序模型用于预测用户对召回商品的点击率，对召回内容进行再次排序。

打散设置，根据排序模型输出的第二分数确定内容的排序或者根据结合第一分数和第二分数确定的内容排序，可能会导致显示给用户的连续多个内容相近或属于相同类型，造成用户审美疲劳，因此，还可以对待推荐给用户的内容顺序进行调整。

例如，若设置精品课程、电子书、有声读物的顺序比例为3：3：2，则可以将3个评分最高的精品课程显示在前面，然后显示3个评分最高的电子书，之后再显示2个评分最高的有声读物；然后可以再按照上述比例继续循环显示评分次之的精品课程、电子书、有声读物。

降级设置，在检测到异常时，跳过部分处理逻辑，即降级程序。例如，在网络异常或其他事故导致部分处理无法正常进行时，可以手动开启降级开关，开关开启将会跳过部分数据读取以及缓存操作，保证结果正常返回。

当然，推荐策略还可以包括其他设置，本实施例对此不作限制。上述推荐策略中的各种设置可以通过配置参数的方式配置在应用平台中。

步骤103、根据用户的用户标识确定用户对应的分桶。

进入到某一应用场景的不同用户，可以根据其用户ID将其分配各种对应的分桶，即，根据对应的分桶所对应的推荐策略为用户进行内容推荐。可选地，可以采用哈希法或白名单法确定用户对应的分桶。

举例说明，在场景A中共设置了5个分桶，分别对应的不同的推荐策略配置参数，具体包括基准桶、分桶1、分桶2、分桶3以及分桶4；对用户ID采用CRC32算法后，除以100并取余数，若该余数落在区间［20，39］内，则该用户对应分桶1；若该余数落在区间［40，59］内，则该用户对应分桶2；若该余数落在区间［60，79］内，则该用户对应分桶3；若该余数落在区间［80，99］内，则该用户对应分桶4；若该余数没有落入上述区间，则该用户对应基础桶。

步骤104、根据用户对应的分桶所对应的目标推荐策略，确定为用户推荐的内容。

如前所述，不同分桶对应有不同的推荐策略，在上述步骤103中，确定出用户对应的分桶后，则采用该分桶所对应的目标推荐策略为该用户推荐内容。具体地，可以根据目标推荐策略中的至少一种召回方式确定召回内容，然后对召回内容进行排序，并根据排序后的召回内容确定为用户推荐的内容。

一个分桶对应的推荐策略中可以包括一种或多种召回方式。若包含有多种召回方式时，可以为每种召回方式配置相应的权重，根据权重确定根据每种召回方式所召回的内容的数量。例如，若基于用户阅读偏好的召回方式的权重为0．4，基于热度的召回方式的权重为0．6，则基于用户阅读偏好召回内容的数量与基于热度召回内容的数量之比为4：6。若权重值缺省，可以认为每种召回方式的权重相同。为了更加灵活的对推荐策略进行调整，每种召回方式还可以设置相应的开关，即，可以根据不同的需求选择采用哪一种或哪几种召回方式进行召回操作。

在召回过程中，可以对召回的内容进行打分得到第一分数，因此，可以根据该第一分数高低确定各召回内容的显示顺序。此外，也可以采用排序模型对召回的内容进行打分得到第二分数，然后结合第一分数和第二分数确定各召回内容的显示顺序，例如为第一分数和第二分数分别设置权重，然后对第一分数和第二分数进行加权求和，根据其和的大小确定召回内容的显示顺序。或者，还可以不考虑召回时确定的第一分数，仅根据排序模型输出的第二分数对召回内容进行排序。

步骤104、根据推荐的内容是否被用户接纳，确定目标推荐策略的性能指标。

在将最终确定的内容推荐给用户后，还可以进一步统计该推荐内容是否被用户接纳，进而分析当前使用的推荐策略的性能，从而实现对推荐系统的优化。

性能指标可以包括用户点击率、商品点击率等等。具体地，用户点击率指用户至少点击一次推荐的内容的概率，即，在某个场景中，点击推荐内容的用户数量与进入该场景的用户数量的比值；商品点击率指某个被推荐的商品（或其他内容）被点击的次数与该商品被推荐的次数的比值。若用户点击率和／或商品点击率越高，可以认为该推荐策略的性能越好；若用户点击率和／或商品点击率越低，可以认为该推荐策略的性格越差。

步骤105、若性能指标满足第一预设条件，则增加该目标推荐策略对应的分桶的用户数量，和／或，若性能指标满足第二预设条件，则降低目标推荐策略对应的分桶的用户数量。

若用户点击率和／或商品点击率达到第一预设阈值，则认为该目标推荐策略的性能较高，推荐效果较好，则可以使用该目标推荐策略为更多的用户进行推荐，即，增加该目标推荐策略对应的分桶所对应的用户数量；若用户点击率和／或商品点击率低于第二预设阈值，则认为该目标推荐策略的性能较差，推荐效果不好，则可以减少该目标推荐策略所服务的用户数量，即，减少该目标推荐策略对应的分桶所对应的用户数量。

例如，若分桶1（对应取余为20－39的用户）对应的推荐策略的的用户点击率为80％，超过第一预设阈值70％，则可以将分桶1对应的用户扩大至取余为20－49的用户；若分桶2（对应取余为40－59的用户）对应的推荐策略的用户点击率为10％，低于第二预设阈值20％，则可以将分桶2对应的用户缩小至取余为50－59的用户。

进一步地，若目标推荐策略的性能较差，即，满足第二预设条件时，还可以对该目标推荐策略进行修改，例如，关闭某些不符合用户需求的召回方式，调整各种召回方式的权重，调整排序模型的参数等等。或者，还可以将该分桶下线，释放该分桶所对应的用户，将流量拨给性能较优的其他分桶。

若目标推荐策略的性能较好，还可以对目标推荐策略全量上线，例如，将该策略所在分桶的流量开放至0－99，将其他分桶下线，完成一次优化迭代。