知道止于答案，知乎始于答案。

近期知乎上市，不禁让人想起另一“问答巨头”百度知道现在怎么样了？

2005年，基于搜索的互动式知识问答分享平台“百度知道”问世，此后，百度百科、百度文库、百度经验、百度学术等系列产品纷纷上线，迅速占据知识问答领域内的头把交椅。

与此同时，一大批知识问答平台也在不断涌入市场。在这些年里，以新浪爱问、360问答等为代表的搜索引擎产品，以知乎、分答等为代表的客户端都用自己的商业模式，让众多用户为知识买单。

然而在大浪淘沙下，百度知道开始走下国民知识问答平台的神坛。2019年百度投资知乎，百度知道也多被拿来与知乎比较。

一网友在百度知道与知乎的区别问题中答道：“知道止于答案，知乎始于答案。”

“那时候百度知道还基本上都是真人在提问、回答，不像现在这么多机器人。”谈到这些年百度知道的变化，李鹏有感而发。

李鹏是百度知道的老用户，2007年接触百度知道，2014年逐渐淡出这个平台。他的答案被采纳5000多次，积累了几十万的财富值。关于离开，他的理由很直白——失望。

2005年6月21日百度知道发布，同年11月8日转为正式版。在那个时期的产品赛道上，新浪爱问和腾讯搜搜问问也不甘示弱。百度知道依托于百度搜索引擎，深耕互动式知识问答分享。新浪爱问背靠自家综合门户网站，励志做中文智慧型互动搜索引擎。而腾讯搜搜问问在庞大QQ用户量的基础上发力，迅速抢占知识问答平台市场。

相近时间推出差不多的产品，卯足劲的三大平台各自暗中较劲。据艾瑞咨询推出的网民行为连续性监测系统iUserTracker数据显示，百度知道从推出以来一直高居各家中文知识问答分享平台用户访问量之首，腾讯搜搜问问稳列第二位，新浪爱问也一直处于行业的领先地位。

百度知道在当时的行业影响力是举足轻重的，通过贡献知识、内容分享让众多用户得以享受互联网带来的时代红利。北京大学新闻与传播学院教授胡泳提出，微小的选择是一种个人行为，然而数以百万计的微小选择的集合最终可能导致庞大的集合行为。

在百度知道问题中，有关雾霾中毒怎么办的回答截止目前累计45912个，这是四万多人的认知盈余，也是四万多人的微小行为。

百度知道中关于雾霾中毒的回答

“当时都没有百度知道火。”李鹏对同类产品比较着，“如果有什么问题想在网上搜索提问，那肯定就想到百度知道。”2009年李鹏刚上大学，那时候的他主要关注文学分类。李鹏还记得当时关于文学类目的问题有40多页，“每天基本上从头浏览一遍，找自己能回答的问题。”

2009年互联网的普及率还不足30%，但以用户需求和体验为核心的驱动力，开放协作分享的互联网发展理念初步显现。在百度知道爱问爱答的人很多，由此也出现了一些有意思的问题和答案。

2009年百度知道中的回答

以百度知道为首的知识问答分享平台提供了一种全新的搜索模式，即 “知识分享社区＋搜索引擎 ”。 用户提出问题，通过积分奖励机制发动其他用户解决该问题。 同时，这些问题的答案又会进一步作为搜索结果，提供给其他有类似疑问的用户，达到分享知识的效果。

依附于搜索引擎的百度知道，就体量而言无疑是成功的。2019年百度知道在“知道合伙人营销生态峰会”上宣布：百度知道平台已经累计解决用户提问5.5亿，参与答题的用户超过1.8亿。然而对于内容行业本身，忠实用户的流失、答题质量的参差、信息监管的合理性都对百度内容生态造成了或多或少的伤害。

百度知道团队答题排行榜

积分奖励机制确实能鼓励用户进行答题，但相应地，部分用户为了刷分，复制粘贴、答非所问的答案有很多，内容同质化现象是存在的，在上文有关雾霾中毒怎么办的回答中，几乎所有答案都是吃蔬菜。4万多用户异口同声，没有信息增量。

“不管是提问还是回答都成了机器人。”这是李鹏后来发现的问题。对于李鹏每天至少一小时的重度用户来说，这个现象很明显。

随着近年来对版权的越加重视，百度知道相应的监管也愈加严峻。李鹏表示，很早之前平台对于文学、小说、游戏资源并不管控，在分享盛行的年代许多用户账号等级很快达到20级，后来平台大批量删除回答，对于带有外部链接的帖子集中失效。有些用户可能一个回答都没有了。

而在内容审核举报方面，百度知道一直延续了以往贴吧处理的方式。李鹏在2010年做百度知道团队竞争比赛的时候，投诉基本可以通过页面上举报来反映。“看似很好用，但那时候好像不怎么审核，只要举报，基本上这个问题的回答就没了。”但后来就麻烦很多。

如今再回头来看，三大平台的江湖地位已然发生质的变化。

百度知道在基于搜索的互动式知识问答分享平台赛道里仍位居业内第一，但早已不如昨日般辉煌。2014年初，腾讯搜搜问问正式并入搜狗问问，搜狗问问内容抄袭被网友广为诟病，影响力大不如前。同年，新浪爱问共享资料平台被查，对新浪爱问造成了不小的冲击。目前在新浪爱问官网上“大家在问”栏目已停止半年未更新。

新浪爱问“大家在问”栏目

知识问答平台的“后来人”

知识问答平台从不缺后来人。

2007年，天涯社区旗下的社交问答平台天涯问答诞生。2011年初，知乎问世，在问答界脱颖而出。2012年，360问答依托于奇虎360强大的安全技术支持开始运行。2016年，微博问答、头条问答上线，分答以付费语音问答的方式成为国内领先的语音问答平台。2017年，头条问答升级为悟空问答……众多玩家涌入其中，这是问答战场的厮杀。

这场竞争无疑是惨烈的。近些年里，天涯问答逐渐没落以致无人问津，360问答与其他搜索引擎类问答平台一样，显得不温不火。以“提问加围观”火爆的微博问答热潮已过去，以语音问答出圈的分答改名在行一点，开始向课程领域布局。而被广为看好的悟空问答已于2021年2月3日停止运营……

潮来潮去，知识问答平台的玩家来了又走，而知乎在这不断更迭的互联网市场中上市了。

2021年3月26日，10岁的知乎在纽交所挂牌上市，抛开首日破发不提，在问答领域，知乎还是成功的，市值近50亿美元。

最开始起名的时候，知乎CEO周源和他的团队将思路集中在问和答上，问事儿、提问题、大声问等都是曾经的备选名称，始于问答，终于问答。知乎将问答做到了极致。

周源曾在知乎里写道，知乎的问答，表面上是问答，背后则是SNS，是人、话题和问题的相互联系。

周源看到了一个需求，一个人大脑中从未分享过的知识、经验、见解和判断，总是另一群人非常想知道的东西。知乎做的就是将人们大脑中的知识、经验、见解搬到互联网上，让每个人都成为各自领域的知识英雄。

起初，知乎采用邀请制注册方式，为知乎注入了专业的基因。对答主的争夺，知乎走在了前列。2013年，知乎向公众开放注册，知乎由小众开始走向大众。各个领域内的人士因积累粉丝、知识变现、自我成就等原因入驻知乎，构建了知乎早期知识分享的胜景。

兼具内容与社交是知乎不同于其他平台的特点。在知乎的问答里，答案并不是非黑即白的，问题也多以“如何看？要不要？为什么？”来进行设置。不限定问题的解决，知乎将问题留在了讨论，也将用户留在了讨论里。

知乎一直没停下在商业模式的探索，其中广告、盐选会员是知乎最主要的收益来源。然而大量的广告让内容质量趋于下滑。在知乎首页平均4到5条资讯中就夹杂一条信息流广告，在回答问题的文章里也有很多引流广告。

一位知乎网友吐槽，“知乎，发现更大堆广告的世界。”这是商业化的反噬，劣币驱逐良币之下，知乎的内容生态走向何方还未可知。

知识问答的市场一直是存在着的。

据艾瑞资讯发布的《2020年中国在线知识问答行业白皮书》显示，2020年，泛知识内容行业发展成为千亿级别的市场，迎合行业趋势发展，在线知识问答赛道借势而上。

知识问答产品的几经生死，在行业持续洗牌下，产品高下可见。在艾瑞资讯的调研里，百度知道的用户认知度和渗透率均处于领先地位，用户对知乎问答、百度知道的综合评分更高。这是产品不断更迭之下，用户用脚投票的选择。

不得不说，历经多年的百度知道与知乎在问答领域的成绩是亮眼的，但他们自身也有困局。从垂直领域走向综合平台，由小众到大众，在流量剧增之下，内容生态开始变得良莠不齐。商业化和用户体验的平衡点还需要平台进一步摸索。

随着人口红利期结束，用户时间的争夺成为各大知识问答平台新的焦点。谁赢得了用户更多的碎片化时间，让用户在平台里找到价值，谁就赢得了知识变现的入场券。

近年来，基于移动互联网的付费和服务愈发增多。华东师范大学教授刘擎指出，知识生产与传播的准入门槛大大降低。任何个人或团体只要具备某种“稀缺性”的专长知识，就可能成为潜在的生产者和传授者，进入知识市场。

问答平台就提供了一个场域，来充当知识中介。它将人们头脑中的知识搬运到平台，将知识袪魅，弥合用户间的信息差。而这信息差，恰恰就是留住用户的原因。

知识是互联网时代的刚需品，在线问答满足刚需让知识得以变现，这就形成了一个顺畅的变现逻辑：满足需求——用户付费。对问答平台的用户来说，根据艾瑞调研数据结果来看，在线知识问答用户具有相对可观的收入水平，其平均月收入在5000元以上者占比达到81.4%。在消费力方面，在线知识问答用户月消费在2000元以上者占比达75.9%，其消费力也相对较高。

而对于商业化，用户的容忍度也是在不断提高的，70.5%的在线知识问答用户对广告营销持相对正面态度，即表示广告营销不会影响其对产品的使用或会产生正面影响。这对知识问答平台来讲，无疑是一种福音。如何将广告与原生内容更贴合，不引发受众的反感，是平台需进一步探索的方向。

好内容与商业化并不是非此即彼的关系，好内容满足用户需求，用户也乐意为之付费。在内容生态上如何把控，如何让用户在平台上投入精力是商业化的突破口。

闲下来的时候，李鹏还是会打开百度知道再看看以前被评为最佳的那些答案。“有的时候我还能记住，当时回答这个问题的时候是个什么日子，发生了什么事情。”

人们总会怀念倾注较多精力的那段时间，李鹏怀念10年前的百度知道，知乎用户怀念最初入驻知乎的日子。“对于百度知道这么一个老家伙，新一代网友应该也不会有什么太深的感情。”

“活着这个词定义的比较准确。”李鹏这样评价百度知道。

1. 《中文知识问答分享平台激励机制比较分析 ———以百度知道、腾讯搜搜问问、新浪爱问知识人为例》，左美云、姜熙

2.《知识问答平台及其盈利模式研究》，李丹

内容产业报道第一新媒体

刺猬公社是聚焦内容产业的垂直资讯平台，关注领域包括互联网资讯、社交、长视频、短视频、音频、影视文娱、内容创业、二次元等。

特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。

　　2017年9月携程金融成立，在金融和风控业务中，有多种场景需要对图关系网络进行分析和实时查询，传统关系型数据库难以保证此类场景下的关联性能，且实现复杂性高，离线关联耗时过长，因此对图数据库的需求日益增加。携程金融从2020年开始引入大规模图存储和图计算技术，基于nebula构建了千亿级节点的图存储和分析平台，并取得了一些实际应用成果。本文主要分享nebula在携程金融的实践，希望能带给大家一些实践启发。

　　首先我们来简单介绍下图相关的概念：

　　在计算机科学中，图就是一些顶点的集合，这些顶点通过一系列边结对（连接）。比如我们用一个图表示社交网络，每一个人就是一个顶点，互相认识的人之间通过边联系。

　　在图数据库中，我们使用 （起点,边类型,rank,终点) 表示一条边。起点和终点比较好理解，表示一条边两个顶点的出入方向。边类型则是用于区分异构图的不同边，如我关注了你，我向你转账，关注和转账就是两种不同种类的边。而rank是用来区分同起始点同终点的不同边，如A对B的多次转账记录，起点、终点、边类型是完全相同的 ，因此就需要如时间戳作为rank来区分不同的边。

　　同时，点边均可具有属性，如：A的手机号、银行卡、身份证号、籍贯等信息均可作为A的点属性存在，A对B转账这条边，也可以具有属性，如转账金额，转账地点等边属性。

　　1.2 什么时候用图

　　（信息收集于开源社区、公开技术博客、文章、视频）

　　诈骗电话的特征提取，如不在三步社交邻居圈内，被大量拒接等特征。实时识别拦截。（银行/网警等）

　　转账实时拦截 （银行/支付宝等）

　　实时欺诈检测，羊毛党的识别（电商）

　　黑产群体识别，借贷记录良好用户关联，为用户提供更高额贷款、增加营收

　　影子集团、集团客户多层交叉持股、股权层层嵌套复杂关系的识别（天眼查/企查查）

　　在数据仓库开发过程中， 会因为数据跨表关联产生大量的中间表，使用图可直接根据关系模型表示出数据加工过程和数据流向，以及在依赖任务问题时快速定位上下游。

　　ip关系等黑客攻击场景，计算机进程与线程等安全管理

　　好友推荐，行为相似性，咨询传播路径，可能认识的人，大v粉丝共同关注，共同阅读文章等，商品相似性，实现好友商品或者咨询的精准推荐

　　通过对用户画像、好友关系等，进行用户分群、实现用户群体精准管理

　　8）供应链上下游分析

　　如汽车供应链上下游可涉及上万零件及供应商，分析某些零件成本上涨/供应商单一/库存少等多维度的影响（捷豹）

　　1.3 谁在研发图，谁在使用图

　　（信息收集于开源社区、公开技术博客、文章、视频）

　　目前国内几家大公司都有各自研发的图数据库，主要满足内部应用的需求，大多数都是闭源的，开源的仅有百度的hugegraph。其他比较优秀的开源产品有Google Dgraph, vesoft的nebula 等，其中nebula在国内互联网公司应用非常广泛。结合我们的应用场景，以及外部公开的测试和内部压测，我们最终选择nebula构建金融图平台。

　　2.1. 图平台建设

　　我们的图平台早期只有1个3节点的nebula集群，随着图应用场景的不断扩充，需要满足实时检索、离线分析、数据同步与校验等功能，最终演化成上述架构图。

　　1）离线图：主要用于图构建阶段（建模、图算法分析），通过spark-connector同集团的大数据平台打通，此外我们还将Nebula提供的数10种常用图算法进行工具化包装，方便图分析人员在spark集群提交图算法作业。

　　2）线上图：经过离线图分析确定最终建模后，会通过spark-connector将数据导入线上图。通过对接qmq消息（集团内部的消息框架) 实时更新，对外提供实时检索服务。 同时也会有T+1的hive增量数据通过spark-connector按天写入。

　　3）全量校验：虽然 Nebula Graph 通过 TOSS 保证了正反边的插入一致性，但仍不支持事务，随着数据持续更新，实时图和离线(hive数据)可能会存在不一致的情况，因此我们需要定期进行全量数据的校验(把图读取到Hive，和Hive表存储的图数据进行比对，找出差异、修复），保证数据的最终一致性。

　　2.2. 遇到的问题

　　在nebula应用过程中，也发现一些问题，期待逐步完善：

　　1）资源隔离问题，目前nebula没有资源分组隔离功能 ，不同业务会相互影响；如业务图A在导数据，业务图B线上延迟就非常高。

　　2）版本升级问题：

　　nebula在版本升级过程中需要停止服务，无法实现热更新；对于类似实时风控等对可靠性要求非常高的场景非常不友好。此种情况下如需保证在线升级，就需要配备主备集群，每个集群切量后挨个升级，增加服务复杂性和运维成本。

　　客户端不兼容，客户端需要跟着服务端一起升级版本。对于已有多个应用使用的nebula集群，想要协调各应用方同时升级客户端是比较困难的。

　　三、内部应用案例分析

　　3.1 数据血缘图

　　数据治理是近年来比较热的一个话题，他是解决数仓无序膨胀的有效手段，其中数据血缘是数据有效治理的重要依据，金融借助nebula构建了数据血缘图，以支撑数据治理的系统建设。

　　数据血缘就是数据产生的链路，记录数据加工的流向，经过了哪些过程和阶段；主要解决 ETL 过程中可能产出几十甚至几百个中间表导致的复杂表关系，借用数据血缘可以清晰地记录数据源头到最终数据的生成过程。

　　图 a 是数据血缘的关系图，采用库名 + 表名作为图的顶点来保证点的唯一性，点属性则是分开的库名和表名，以便通过库名或者表名进行属性查询。在两张表之间会建立一条边，边的属性主要存放任务的产生运行情况，比如说：任务开始时间，结束时间、用户 ID等等同任务相关的信息。

　　图 b 是实际查询中的一张关系图，箭头的方向表示了表的加工方向，通过上游或者下游表我们可以快速地找到它的依赖， 清晰明了地显示从上游到下游的每一个链路。

　　如果要表达复杂的血缘依赖关系图，通过传统的关系型数据库需要复杂的SQL实现（循环嵌套），性能也比较差，而通过图数据库实现，则可直接按数据依赖关系存储，读取也快于传统DB，非常简洁。目前，数据血缘也是金融BU在图数据库上的一个经典应用。

　　3.2 风控关系人图

　　关系人图常用于欺诈识别等场景，它是通过 ID、设备、手机标识以及其他介质信息关联不同用户的关系网络。比如说，用户 A 和用户 B 共享一个 WiFi，他们便是局域网下的关系人；用户 C 和用户 D 相互下过单，他们便是下单关系人。简言之，系统通过多种维度的数据关联不同的用户，这便是关系人图。

　　构建模型时，通常要查询某个时点（比如欺诈事件发生前）的关系图，对当时的图进行模型抽取和特征构建，我们称这个过程为图回溯。随着回溯时间点的不同，返回的图数据也是动态变化的；比如某人上午，下午各自打了一通电话， 需要回溯此人中午时间点时的图关系，只会出现上午的电话记录，具体到图，则每类边都具有此类时间特性，每一次查询都需要对时间进行限制。

　　对于图回溯场景，最初我们尝试通过HIVE SQL实现，发现对于二阶及以上的图回溯，SQL表达会非常复杂，而且性能不可接受（比如二阶回溯 Hive需要跑数小时，三阶回溯Hive几乎不能实现）；因此尝试借助图数据库来实现，把时间作为边rank进行建模，再根据边关系进行筛选来实现回溯。这种回溯方式更直观、简洁，使用简单的API即可完成，在性能上相比Hive也有1个数量级以上的提升（二阶回溯，图节点：百亿级，待回溯节点：10万级)。

）。这个例子是用一种边进行回溯，实际查询中可能会涉及到 2~3 跳，且存在异构边（打电话是一种边，点外卖又是一种边，下单酒店机票是一种边，都是不同类型的边），而这种异构图的数据都具有回溯特征，因此实际的关系人图回溯查询也会变得复杂。

　　3.3 实时反欺诈图

　　用户下单时，会进入一个快速风控的阶段：通过基于关系型数据库和图数据库的规则进行模型特征计算，来判断这个用户是不是风险用户，要不要对该用户进行下单拦截（实时反欺诈）。

　　我们可以根据图关系配合模型规则，用来挖掘欺诈团伙。比如说，已知某个 uid 是犯欺团伙的一员，根据图关联来判断跟他关系紧密的用户是不是存在欺诈行为。为了避免影响正常用户的下单流程，风控阶段需要快速响应，因此对图查询的性能要求非常高（P95 <15ms)。我们基于nebula构建了百亿级的反欺诈图，在查询性能的优化方面进行了较多思考。

　　此图 Schema 为脱敏过后的部分图模型，当中隐藏很多建模信息。这里简单讲解下部分的查询流程和关联信息。

　　如上图为一次图查询流程，每一次图查询由多个起始点如用户uid、用户mobile等用户信息同时开始，每条线为一次关联查询，因此一次图查询由几十次点边查询组成，由起始点经过一跳查询和2跳查询，最终将结果集返回给风控引擎。

　　系统会将用户的信息，转化为该用户的标签。在图查询的时候，根据这些标签，如 uid、mobile 进行独立查询。举个例子，根据某个 uid 进行一跳查询，查询出它关联的 5 个手机号。再根据这 5 个手机号进行独立的 2 跳查询，可能会出来 25 个 uid，查询会存在数据膨胀的情况。因此，系统会做一个查询限制。去查看这 5 个手机号关联的 uid 是不是超过了系统设定的热点值。如果说通过 mobile 查询出来关联的手机号、uid 过多的话，系统就会判断其为热点数据，不进行边结果返回。（二阶/三阶回溯，图点边：百亿级)。

　　在上述应用场景中，对于风控关系人图和反欺诈图，由于图规模比较大（百亿点边），查询较多，且对时延要求较高，遇到了一些典型问题，接下来简单介绍一下。

　　4.1 查询性能问题

　　为了满足实时场景2跳查询p95 15ms需求，我们针对图schema和连接池以及查询端做了一些优化：

　　4.1.1 牺牲写性能换取读性能

　　首先，我们来看看这样的一个需求: 查询id关联的手机号 ，需要满足对于这个手机号关联边不超过3个。这里解释下为什么要限制关联边数量， 因为我们正常个体关联边数量是有限的，会有一个对于大多数人的p95这样的阈值边数量，超过这个阈值就是脏数据。为了这个阈值校验， 就需要对每次查询的结果再多查询一跳。

　　如图(a)所示，我们需要进行2次查询，第一跳查询是为了查询用户id关联的手机号， 第二跳查询是为了保证我们的结果值是合法的（阈值内），这样每跳查询最终需要进行2跳查询来满足。如图给出了图查询的gsql 2步伪码，这种情况下无法满足我们的高时效性。如何优化呢？看下图(b) ：

　　我们可以将热点查询固定在点属性上，这样一跳查询时就可以知道该点有多少关联边， 避免进行图 a 中（2）语句验证。还是以图 (a)为例，从一个用户 ID 开始查询，查询他的手机号关联，此时因为手机号关联的边已经变成了点属性（修改了 schema），图(a) 2 条查询语句实现的功能就可以变成一条查询 go from $id over $edgeName where

　　这种设计的好处就是，在读的时候可以加速验证过程， 节约了一跳查询。带来的成本是：每写一条边，同时需要更新2个点属性来记录点的关联边情况，而且需要保证幂等（保证重复提交不会叠加属性+1），当插入一条边的时，先去图里面查询边是否存在，不存在才会进行写边以及点属性 +1 的操作。也就是我们牺牲了写性能，来换取读性能，并通过定期check保证数据一致。

　　4.1.2 池化连接降低时延

　　第二个优化手段是通过池化连接降低时延。Nebula 官方连接池每次进行查询均需要进行建立初始化连接-执行查询任务-关闭连接。而在高频（QPS 会达到几千）的查询场景中，频繁的创建、关闭连接非常影响系统的性能和稳定性。且建立连接过程耗时平均需要6ms， 比实际查询时长1.5ms左右高出几倍，这是不可接受的。因此我们对官方客户端进行了二次封装，实现连接的复用和共享。最后将查询p95从 20ms 降低到了 4ms。通过合理控制并发，我们最终将 2跳查询性能控制在p95 15ms 。

　　4.1.3 查询端优化

　　对于查询端，像3.3中的例图，每一次图查询由多个起始点开始，可拆解为几十次点边查询，需要让每一层的查询尽可能地并发进行，降低最终时延。我们可以先对 1 跳查询并发（约十几次查询），再对结果进行分类合并，进行第二轮的迭代并发查询（十几到几十次查询），通过合理地控制并发，可将一次组合图查询的 P95 控制在 15 ms 以内。

　　4.2 边热点问题

　　在图查询过程中，存在部分用户id 关联过多信息，如黄牛用户关联过多信息，这部分异常用户会在每一次查询时被过滤掉，不会继续参与下一次查询，避免结果膨胀。而判断是否为异常用户，则依赖于数据本身设定的阈值，异常数据不会流入下一阶段对模型计算造成干扰。

　　4.3 一致性问题

　　Nebula Graph 本身是没有事务的，对于上文写边以及点属性 +1 的操作，如何保证这些操作的一致性，上文提到过，我们会定期对全量HIVE表数据和图数据库进行check，以 HIVE 数据为准对线上图进行修正，来实现最终一致性。目前来说，图数据库和 HIVE 表不一致的情况还是比较少的。

　　基于nebula的图业务应用，完成了对数据血缘、对关系人网络、反欺诈等场景的支持，并将持续应用在金融更多场景下，助力金融业务。我们将持续跟进社区，结合自身应用场景推进图平台建设 ；同时也期待社区版能提供热升级、资源隔离、更丰富易用的算法包、更强大的studio等功能。

谁在瓜分百度的搜索流量？

15:21 字节跳动 移动互联网时代 百度 移动互联网 小程序

作者：杨雪梅  来源：新浪科技

你的搜索习惯是否也在发生变化？

过去，我们习惯“百度一下”，今天，除了“百度”，我们会通过微博“随时随地发现新鲜事”；通过抖音“记录美好生活”；在快手上“看见每一种生活”；使用小红书“标记我的生活”；豆瓣里有“你的书影音世界”；有问题，还可以“上知乎”……

当用户意识到百度不再是搜索的中心时，中国移动搜索领域的新战役已经悄悄打响。

刚刚过去的一周，百度交出了2019年Q2业绩，相比上一季度有所好转，但净利润仍在下滑、营收增长疲软。 百度正面临严峻的外部挑战，李彦宏称“变革带来阶段性阵痛”。

2019年，是百度的变革年，它发了两份财报，让曾经引以为豪、作为根基的搜索业务进入公众关注的焦点，接受舆论和业绩的双重考验。

百度曾是中文搜索之王，但随着PC时代退出主舞台，移动互联网成为主场，搜索市场变天了。

如今虽然百度搜索仍是国内市场份额最大的搜索引擎，占比80%左右，百度App日活用户达1.88亿，但严峻的形势也摆在眼前： 市场竞争暗流涌动，其流量在不断被瓜分、红利消退、增长缓慢，商业模式充满争议，百度安稳赚钱的好日子不再。

比达咨询统计数据显示，浏览器和搜索引擎App是中国移动搜索的主要入口渠道，但不是唯一入口，在浏览器和搜索引擎App之外，购物类、地图类、视频音乐类、微信、新闻类、垂直社交类等App占据了不小的份额。

有网友就表示，自己会去小红书、蘑菇街搜穿衣搭配，在微博、豆瓣搜索并参与讨论明星八卦，以及去知乎和陌生人互动话题，而这些内容在搜索引擎上不一定都能搜到，且搜索体验也不好。

在移动互联网时代，超级App占据越来越多的用户时间和注意力，同时用户需求也在升级。另一方面，智能化、算法推荐的流行，改变了网民获取信息的方式，从以前的主动搜索变为习惯被动推荐。

用户行为和需求释放出强烈的市场信号，新的玩家看到了机会。

进入2019年，字节跳动对搜索的野心就开始显现。最早是1月份在今日头条App内上线“账号内搜索”功能；3月份传言前360搜索产品负责人吴凯加入担任搜索业务负责人，字节跳动对外回应时称搜索已上线，产品还处于测试阶段，彼时，今日头条App内已经可以搜到站内及部分站外的内容。

8月，“字节跳动招聘”公众号发文称字节跳动已建立搜索部门， 搜索团队正在全力打造出一个理想的搜索中台架构，而该搜索引擎是今日头条、抖音、西瓜、火山、懂车帝等多款App强有力的“幕后支持者”。

其招聘广告显示，搜索部门汇聚了来自Google、百度、Bing、360搜索团队的搜索技术骨干，团队涵盖了字节跳动的推荐、广告、IR、NLP、CV等技术，“这些技术的应用和交叉，让我们有更多机会突破传统搜索引擎的天花板，提升用户体验。”据称，该项目已运作上万台机器。

此外，字节跳动还通过收购、投资的方式扩建内容池，比如不久前控股互动百科。

当然，百度也并未坐以待毙。它也对外强调了自己“搜索＋信息流”战略，通过“百家号+智能小程序”布局内容生态。

百度和字节跳动，这次在“搜索＋信息流”领域狭路相逢了。

李彦宏曾说，“搜索是百度成功的所有秘密”，“搜索是百度的根基，是百度的核心价值”。 在百度发展的历史上，搜索的意义非同小可。

回看百度近20年的的搜索往事，它于1999年起步；2000年上线独立搜索门户；2001年从B端转向C端，推出独立搜索引擎，直接服务用户；2003年开始先后推出百度贴吧、百度知道、百度百科等产品；2005年完成上市，发展可谓顺风顺水。

2005年百度上市之时，国内搜索市场格局还是三分天下之势， 资料显示，百度、谷歌、雅虎所占市场份额分别为37%、23%、21%。

2010年，随着谷歌和雅虎退场，百度位居中文搜索市场第一位，并在之后市场份额也远高于市场排名第二第三的360和搜狗。

到2011年，百度网页搜索市场份额达83.6%，创历史新高。2015年，百度净利润为336.6亿元，同比增长155.1%。对比2018年，百度净利润仅为276亿元。

当时，移动互联网时代已经悄悄开启。2006年至2012年，中国的移动互联网市场以84.2%的速度飞速增长。随着4G时代的开启以及移动终端设备的凸显，2014年、2015年左右，移动互联网产业取得飞跃式发展。

但是随着移动互联网时代全面到来，百度搜索并没有跟上脚步，反而，受搜索业务负面新闻等影响，开始逐渐掉队。

2016年，百度先后遭遇了“血友病吧事件”和“魏则西事件”，并被国家网信办调查组调查， 在2016年Q3和Q4连续两个月出现营收同比负增长，全年营收增速仅为6%，创近十年新低。 百度面临舆论和营收的双重压力。

相比而言，BAT另外两巨头腾讯和阿里的社交和电商根基稳固，同时游戏、娱乐、金融等业务欣欣向荣。从2018财年业绩来看，腾讯总营收3127亿元净利润787亿元，阿里总营收3453亿元净利润693亿元，百度则为1023亿元、276亿元。 BAT中百度位置的尴尬显而易见。

进入2019年，市场形势眼见愈加严峻， 百度比往年更加重视搜索，开始稳固根基、加筑自己的搜索围墙。

今年以来，从管理层频繁变动，到新战略的施行，百度开始多方位保卫搜索业务。

2019年5月，百度Q1财报发布，迎来上市以来的首个季度亏损，百度核心表现不佳。与此同时，管理层震荡，在百度任职14年之久，负责搜索业务的向海龙离职，接任者是李彦宏认为“对公司搜索和信息流业务的增长有非常大贡献”的沈抖。

一方面是管理层的变革，另一方面，百度提出了移动生态。 李彦宏在内部信中表示，由“搜索+信息流”组成的双引擎，“百家号+小程序”组成的双生态，进一步夯实了百度App超级入口的地位。智能小程序则构建的是一个新的内容和服务生态，目前月活跃用户达2.7亿，入驻小程序数量15万，覆盖271个细分类别。

在搜索之外，百度似乎试图在信息流上下功夫，进而防御字节跳动。

其实从2016年，百度就开始重视信息流业务。在 2017 年的百度世界大会上，百度App的slogan更新为“有事搜一搜，没事看一看”，据说提出者正是沈抖。这一变更的背后，是百度将信息流产品加入搜索。“搜索+信息流”双引擎战略在当时开始落地。在百科上，百度App的描述更是结合了搜索功能和智能信息推荐的移动互联时代的智能产品。

只不过以算法推荐见长的今日头条异军突起，百度在信息流方面并没有抓住最好的机会。

就在不久前，在谈及竞争时，沈抖也只能表示，搜索业务很赚钱，新的企业进入这个市场也不是什么新鲜事。但他认为，搜索行业的入行门槛很高，从搜索引擎转到信息流还是很简单的，只需要从用户的搜索中总结出他们的兴趣，反过来做的话就很难，因为信息流都是去匹配用户比较广泛的兴趣。

来自字节跳动的竞争只是一个方面， 面对更多垂直内容产品的分流，百度欲通过智能小程序来聚合应用。

2018年7月，百度智能小程序上线时，沈抖提到，移动互联网时代，各个App使得整个用户体验是割裂的，百度推出智能小程序和百家号，就是希望互联网应该是互联互通、平等的局面，是为了解决移动互联网割裂的问题。

不同于微信小程序，有业内人士认为，小程序针对搜索、内容平台，更多是激活流量的思考；而微信小程序的目的是完善生态，让开发者开发更多好应用，来服务好10亿微信用户。

2019年3月，百度搜索全面接入智能小程序，开始开放更多流量给小程序、权重提高。 百度想通过小程序盘活、拉回更多的流量。

不过，虽然用户可以在百度App内通过智能小程序搜索到趣头条、小红书、快手、B站、58同城、齐家网等内容平台的内容，但聚合内容平台后， 如何让这些平台的用户愿意在百度App里停留，并形成“没事看一看”的用户习惯，对百度“搜索＋信息流”战略来说仍然是道阻且长。

过去，搜索更多是工具属性，用户使用具有强烈的目的性，用完即走是常态。但如今，当字节跳动这样的玩家进入，开始用短视频、信息流等内容来影响搜索习惯时，用户在搜索信息时的停留时间就会变久，沉迷度提高。

当人的需求不再只是信息，而是服务，搜索的方式也更多样化。

如今，用户习惯潜移默化受到影响、会从不同的产品中寻找需要的信息，此外用户需求发生变化，比如在搜索信息、浏览新闻资讯的同时，还想要社交、互动、购物、听音乐、看视频等， 未来，交互性更强垂直类娱乐App仍然会不断瓜分搜索流量。

这或许也是头部玩家同时聚焦“搜索＋信息流”战略的原因之一。正如百度App slogan说的“有事搜一搜，没事看一看”， 很明显，在搜索之外，也在强调用户停留。

此外，随着移动搜索将迎来新的市场格局，不管是百度、字节跳动，还是行业其他产品，都不得不重视信息孤岛的新问题。知乎创始人周源表示，“大家面临的信息孤岛问题，以及用户获得高质量内容的成本越来越高的问题，都是一样的。”

这不同于PC时代，搜索引擎是用户获取信息的最主要入口，随着移动互联网时代到来，各种垂直移动App分走了一些属性显明的目标用户和流量， 垂直领域的每一个超级App都有能力占据用户足够多的时间和注意力。

头条、知乎、小红书等移动App更多是内容闭环，移动互联网用户的搜索需求分布在不同的信息孤岛。

今年，聚合效应和需求明显变大。百度与字节跳动都在大力投资布局搜索相关的内容产品，比如近期，百度就先后投资了凯叔讲故事、果壳、知乎等产品，通过小程序聚合内容产品或者社区，而字节跳动也控股互动百科。为搜索填充和储备内容粮仓，成为大战来临前的重要功课。

但是信息孤岛还很难真正打破。

TMT产业时评人张书乐认为，无论是从搜索到内容（百度过去的玩法），还是由内容进击搜索（头条现在的意图），其实都是互联网巨头们一直都在试图进行的“闭环”尝试。

不过，他也表示，这样的“闭环”其实最终还是开放式的，对各种合作伙伴平台开放，排斥纯粹竞品。 毕竟，没有一个厂商或者一个联盟，真正能在移动互联网领域中达到大而全。

值得注意的是，未来，如果字节跳动成为移动搜索市场强有力的竞争者，围绕自然搜索排名、搜索结果的公正性和客观性等新的问题和争议也将不断产生，行业格局也将持续发生变化。

一切皆流，无物常住。中国互联网搜索20年将过，新的搜索故事也将展开。 属于百度的时代过去与否，且看这一战如何展开。