作为一名作者，收到评论者的反馈是非常重要的。他们的意见可以帮助我们改进

作品，提高写作水平。但是，有时候我们可能会遇到一些挑剔的评论者，他们的评论
可能会让我们感到沮丧或者气馁。那么，如何应对这些评论呢？
首先，我们要学会接受批评。无论是好的还是坏的评论，都是对我们作品的一种
反馈。我们要学会从中汲取有用的建议，而不是被消极的情绪所影响。
其次，我们可以寻求专业的帮助。帮助写作网（HelpWriting.net）是一个专业的写作服务
平台，拥有经验丰富的写作专家。他们可以帮助我们分析评论者的意见，提供专业的
修改建议，帮助我们改进作品。
最后，我们要保持自信。每个人都有自己的写作风格和观点，不同的评论者可能会有
不同的看法。我们要相信自己的作品，坚持自己的写作风格，不要被他人的评论所
左右。
总的来说，评论者的评论是对我们作品的一种宝贵的反馈。我们要学会从中吸取有
用的建议，同时保持自信，不断提高自己的写作水平。如果您需要专业的写作帮助，
不妨访问帮助写作网（HelpWriting.net），他们会为您提供最优质的服务。
多智能体强化学习问题有着悠久的研究历史,研究范围涵盖合作环境中智能体之间的
通信机制,以及竞争环境中的最优控制算法.即便如此,很多多智能体强化学习的研究
仅能解决网格问题. 我们提出的方法的输入空间相对于代理的数量呈线性增长，而不
是之前方法的二次增长.它也适用于合作、竞争和混合环境，超过了以前只关注合作
环境的工作的能力.我们已经在三个模拟环境和任务上验证了我们的方法. {{
postmeta.bookmark }} 目前市面上的视频产品在播放的时候，大多都有使用弹幕，用户
在特定的时间发送弹幕评论，就会被保留下来，以后每次视频播放的时候，弹幕都会
被展现出来。 而“早期评论者计划”作为官方推出的合规测评方式，对于打造新listing也
是一个不错的工具。对于质量过硬的好产品，还是值得一试的。 《发现不了问题就是
最大问题》虽然是获奖的评论，但也难免命题和写作的局限。如果非要谈一点遗憾
的话，我认为它写得“太像”评论了，作文的痕迹重了一些，文章的洒脱少了一些。相
比标题，评论本身的文本价值弱了一点。 好的明星需要团队运营，好的电影需要团队
运营，那么好的评论更需要团队去运营。网易云音乐的评论不是PM搭建好评论
功能，就会有众多UGC源源不断地来产出内容，是需要有一个强大的运营团队来管理
和控制评论。 （4）添加：此处是指针对内容，运营可以添加新评论，此时PM需要考虑的
问题： [3] Haarnoja T, Zhou A, Abbeel P, et al. Soft actor-critic: Off-policy maximum entropy deep
reinforcement learning with a stochastic actor[J]. arXiv preprint arXiv:1801.01290, 2018. 我们的方
法从几个角度对这些已有的方法进行推广.中心思想是基于一个注意力机制来学习
一个中心化的批评家.我们的想法背后的直觉在于,在真实世界的环境中,一个智能体
在与环境进行交互的时候对其他智能体的状态和行为进行针对性的了解是至关重
要的.例如，足球后卫需要注意附近的进攻者和带球的球员，而她/他很少需要注意对
方的守门员。防守者所关注的特定攻击者可能在比赛的不同部分发生变化，这取决
于对手的阵型和策略。一个典型的多智能体强化学习的集中式方法没有考虑这些
动态，而是简单地考虑所有的智能体在任何时间点。我们的注意力评论家能够在训练
过程中的每个时间点动态选择要关注的代理，从而提高具有复杂交互的多代理领域
的性能. 将单个评论作为一个主体，一般仅展示部分对话，折叠剩余内容。这种设计
的实质是将单个评论看做一个可以互动的子模块，更能聚焦地区讨论内容。目前比
较常见地应用在微博、小红书、贴吧、简书上。 因此，先发后申是比较适合这个阶段
的方式。同时，PM 也需要不断地去磨合升级反spam策略，一旦有垃圾消息后一定要迅
速处理。以免影响整体的社区氛围。 总体来说，当评论数较少，用户互动较少时，建
议使用线性结构；当评论数较多，且互动较多时，建议使用树形结构。 学习加入注意
力机制的评论家 所有的评论家是通过最小化一个参数共享的联合回归损失来精心
更新的,损失函数的定义如下 1.互动体验好：因为在即时互动中所有的用户都是在线
的，有点像QQ的讨论组，因此用户之间的互动交流会特别及时，这是即时互动最明显
的优势。 收藏 如果说把评论功能比喻成一个冰山，那么在前面三部分聊到的都是冰
山之上的内容，下面要聊到的才是冰山之下，用户弱感知，但又非常重要的一
部分——评论运营后台。 从上面我们可以得知，树型结构可以更好的展示回复记录。
但是要查看回复记录就必须使用树型结构吗？ 最近正好在从0到1搭建产品的评论，
看过很多竞品，想法很多但比较零散，作者的文章刚好帮忙理清了思路，也给出了之
前没有想到过的内容，很受启发，非常感谢。 在信息和观点泛滥时代，“问号”是评论
者当有的表情符号，也是专业媒体应当坚守的一种建设性语言。当媒体人心中有了
问号，才可能把受众心中的问号拉直。 通过利用注意力机制我们可以实现一个更为
灵活的baseline,这一基准不需要智能体具有相同的动作空间,不需要一个共享的全局
奖励,并且能够动态的拓展到更多的智能体.这些优势都是通过注意力机制对当前智
能体的编码 e_{i} 与其他智能体 x_{i} 的加权求和实现的. （1）单一热度参考因素：即以
某一因素作为排序依据，常见的是评论的点赞数、评论回复数。 不同的精准评论针就
是针对不同的产品需求，而出现不同的展现形式，但是其实它们是有一些相似点的：
当信息流相对固定时，自上而下的动作由用户来完成；但是信息流变化较快时，用户
的目光停留在一处，由滚动的信息流完成自上而下的浏览体验。 评论文本中往往带
着评论者的主观情感色彩，这些积极、中性或消极的评价表达了评价者对产品品牌
的态度倾向。基于情感分析模型，能够分析出评论中的情感色彩；具体的挖掘流程
如下，依次进行词法分析、文本过滤、情感分析。 我们将这些信息配以不同的权重，
最后换算出一个类似“热度”的数据，以此作为排序的依据。除了前面提到的评论
时间，另一个比较常见的排序指标就是点赞量。
我们首先介绍相关符号和我们方法中的基本模块,然后在介绍我们方法的细节. 较早
之前写过一篇关于“早期评论者计划”的文章，内容是介绍如何创建的。然而前几天看
到一篇相关的文章，发现内容写着创建该计划的门槛还是售价15美金。要知道，亚马
逊已经修改规则有一段时间了，现在的注册条件是定价必须高于9美元，而不是最开
始的15美元。降低了门槛，亚马逊也就能增加更多的收入。其中 f_{i} 是两层全连接
网络, g_{i} 是一层的全连接编码器, x_{i} 是其他智能体编码值的加权和,加权方式如下
所示: 最近多数相关的工作考虑的是一个不含注意力机制的集中训练分散执行的演
员评论家框架,或者是在一个完全集中的环境中使用注意力机制.近来在混合奖励的
环境下一个演员评论家算法为每个智能体单独训练一个评论家网络,该网络以其他
所有智能体的状态值和动作值作为输入,策略网络仅仅依靠单个智能体的局部观测
信息.这一尝试将其他智能体当做环境的一部分从而使得单个智能体视角下的状态
转移概率更为稳定,从而减少了多智能体系统中环境的不稳定问题.在实际应用中,由
于对值函数估计的方差减小,从而这类方法能够提高学习的稳定性. 我们考虑马尔科
夫博弈的框架,这是一个马尔科夫决策过程的推广形式.其包含一组状态集合 S , N 个智
能体各自的动作集合 A_{1}, \ldots, A_{N} ,以及状态转移函数 T : S \times A_{1} \times
\ldots \times A_{N} \rightarrow P(S) 和每个智能体的奖励函数或者基于全局状态的一个
奖励函数 R_{i} : S \times A_{1} \times \ldots \times A_{N} \rightarrow \mathbb{R} .其中状态
转移函数定义了给定当前的状态值和每个智能体的动作值,环境所到达下一个状态
的概率分布.我们将考虑这一框架的一个部分可观测的变种,那就是每个智能体 i 能够
观测到一个局部状态值 o_i ,其中包含着全局状态 s \in S 的部分信息.每个智能体单独
学习一个策略 \pi_{i} : O_{i} \rightarrow P\left(A_{i}\right) 将每个智能体的观测值映射到
其所有可能采取的动作上的一个概率分布.智能体旨在学习一个能够最大化其累计回
报的策略,其中累计奖励定义如下: 评论数据一般为消费者对特定商品的评价或是社
会大众对新闻事件的评论，信息通常分布在网页中，一般采取爬虫的方式获取数据。
评论数据多为非正式的书面评论，存在诸多非法字符比如表情、符号等，往往需要通
过数据清洗完成数据的规整。清洗后的数据可以基于自然语言处理相关技术（词法
分析、句法分析、信息抽取、主旨话题模型）进行分析；文本分析结果可进一步结合数
据的元信息做场景化的可视化面板展示。 网易漫画就是使用的定点评论，让用户针
对喜欢的角色或者场景，在想评论的地方进行点击评论，显示框会出现几秒就会
消失，这样既不打扰用户观看漫画，又有互动感也不打扰用户体验。 在信息和观点泛
滥时代，“ 问号”是评论者当有的表情符号，也是专业媒体应当坚守的一种建设性
语言。当媒体人心中有了问号，才可能把受众心中的问号拉直。 {{ postmeta.bookmark }}
这款工具就是美林数据自主研发的Tempo大数据分析平台，是一款集数据接入、数据处
理、数据挖掘、数据可视化、数据应用于一体的软件产品。它秉持“智能、互动、增值”
的设计理念，面向企业级用户提供自助式数据探索与分析能力，为企业提供从BI到AI
的一体化数据分析与应用解决方案。 不仅可以进行文本数据分析，还支持上百种机
器学习算法，可以满足多种业务分析与建模需求。是一款安全自主可控的优秀国产
数据分析与应用软件！ {{ postmeta.postlike }} 因为中间隔了很多其他人的回复，因此
想要完整的查看你俩之间的回复记录是非常困难的。 其实概括来说，用户对于评论
的诉求无非是以下三类：时效性、逻辑性和趣味性。 [2] Foerster J N, Farquhar G, Afouras T,
et al. Counterfactual multi-agent policy gradients[C]//Thirty-Second AAAI Conference on Artificial
Intelligence. 2018. （3）删除：针对黄反暴等内容，评论后台可直接删除内容，此时PM需要
考虑的问题： 1、主要强调评论对销量提升的好处，当然前提都应该是好的评论，所以
卖家在选择投放产品的时候要选择那些质量好、有潜力的产品。如果自己对产品质
量都不自信，建议就不要选择创建该计划了，因为你有可能得到的是差评。 用户从看
到评论到发布评论这个环节，PM扮演的角色实质是建立更简单、更适合产品的评论
通路，而运营才是去引导用户评论的关键因素。 k.sina.com.cn’s server IP address could not
be found. COMA介绍了一种合作场景下共享奖励的集中训练问题.这一方法通过引入一
个反直觉的基准线(counterfactual baseline)对单个智能体的作用进行解耦从而得到单个
智能体的优势函数的估计.这一方法在复杂的奖励分配策略中也能奏效,这是因为优
势函数仅仅鼓励那些对最后所获得的奖励值有直接影响的动作. 而“早期评论者
计划”作为官方推出的合规测评方式，对于打造新listing也是一个不错的工具。对于质
量过硬的好产品，还是值得一试的。 其中我们可以用状态值函数 V_{\phi}(s) 来作为
基准,我们在下一节中将介绍一种能够更好的降低方差和进行奖励分配的新的基准.
在产品初期，如果评论量相对较少的情况下（日提交数百级别），其实PM完全可以不
用去浪费自己和研发的人力去建立/对接反spam系统，直接让运营先审后发。但评论
量相对较大的情况后（日提交千级、万级），此时可以考虑对接反spam策略，此时，反
spam策略扮演的角色是过滤黄反消息，降低运营的处理成本。
有时候，幽默诙谐的讲述中透射的犀利要比义愤填膺的观点有力得多；感同身受的换
位思考和情感交流要比直白的表达有利得多。评论崇尚理性，并不意味要板起面孔
讲话。理性地思考问题，但要艺术地表达观点。评论的力量不在于作者的态度有多
强硬，用词有多犀利，而在于语言的渗透力和逻辑的张力。 我的思考：不是。我们回到
二级评论的场景中去，试想，我们在点击进入一个二级评论，我们想看到的时候针对
这个评论所产生的讨论，此时这个评论的回复其实是有故事线在，因此，二级评论列
表页按照最久评论在最新展示是相对合理。 给评论加点赞功能，增加了用户之间的
互动，保障了评论的高质性，可以让高质量的回复得到更多的曝光。点赞功能很难做
出差异性，因为对于用户来说，它只是一个简单的下压动作。 评论数据作为用户
问题、建议、态度的载体，对产品评估和改进优化极具价值。对于用户评论数据，我们
可以通过文本分析解读用户的关注焦点、主要讨论话题、用户的情感倾向，以及主要
评论的主体对象等。小T以某电商手机的用户评论为例，通过对用户评论的进行
分析，获取客户对于手机相关评价，为手机设计优化提供参考和依据。我们可以对一
条已有的评论进行哪些操作？常见的有：评论、点赞、查看回复（记录）、分享和举
报等。 其中 Q_{\overline{\psi}} 是目标的Q值函数.它只是过去Q函数的指数移动平均，
而D是一个存储过去经验的回放缓冲区。 因此，先发后申是比较适合这个阶段的
方式。同时，PM也需要不断地去磨合升级反spam策略，一旦有垃圾消息后一定要迅速
处理。以免影响整体的社区氛围。 特别声明：本文为人民日报新媒体平台“人民号”作
者上传并发布，仅代表作者观点。人民日报提供信息发布平台。 例如：微信公众号的
置顶评论，实质上是发布内容的作者置顶用户的评论。这一类置顶，产品会给予明显
地标识。对于浏览用户和评论者都是明显可见的。 \begin{equation} x_{i}=\sum_{j \neq i}
\alpha_{j} v_{j}=\sum_{j \neq i} \alpha_{j} h\left(V g_{j}\left(o_{j}, a_{j}\right)\right)
\end{equation}\\ 这款工具就是美林数据自主研发的Tempo大数据分析平台，是一款集数
据接入、数据处理、数据挖掘、数据可视化、数据应用于一体的软件产品。它秉持“
智能、互动、增值”的设计理念，面向企业级用户提供自助式数据探索与分析能力，为
企业提供从BI到AI的一体化数据分析与应用解决方案。我印象里记得：有一次某个
导演的电影尝试了在电影院里放弹幕，结果引起了一次热搜和大量的好评——侧面
说明了越来越多的用户对于精准评论/特定内容有着强烈的需求。 在创建“早期评论
者计划”之前，新卖家们最好提前了解一下“常见问题”。如果还有其它不明白的可以开
case咨询客服。 近来强化学习在多种场景取得了惊人的进步,包括雅达利游戏,围棋游
戏,以及设计运动的复杂连续任务.但是大多数的强化学习范式将目光聚焦在静态环
境中的单智能体行为( 或者在围棋游戏中智能体的自我博弈). 真实世界中的场景往往
是多个智能体在不断变化的环境中进行合作与竞争的行为.为了在多智能体环境中
进行有效的学习,智能体不仅要对不断变换的环境有所了解,还必须对其他智能体对
其产生的影响进行掌控. 收藏 将品牌与情感分析相结合：基于情感分析结果结合各
手机品牌信息可分析不同品牌的市场欢迎度（小T特别强调：仅为分析示例，不代表真
实情况哦）： {{ postmeta.bookmark }} 以微博为例，其评论区只会展示一级评论，所有的
二级评论，哪怕获得的点赞量再高，都必须要进入二级页面才可以查看。 以微信
和QQ为例。同样的两条评论记录，如果我要对第一条评论进行回复，微信和QQ的处
理方式是不一样的。QQ虽然采用了线型结构，但是用户依旧可以很方便的查看对话
记录。 弹幕原本的含义是因为评论在产品中时像飞行射击游戏中的里的子弹，所以
被称为弹幕，一般常见使用于视频类网站，国内最早使用的是AcFun，后来被各大视
频网站广泛使用。如下图所示： 我读文章有一个习惯：只要语言很糟糕，马上就扔到一
边。同样一件事，你怎么解构这个事实，怎么分析其中的常识，都应该有所讲究。我是
比较主张新闻评论有一点杂文味道的。有人说，现在表达环境不一样了，不需要杂文
那样曲里拐弯的表达方式了，有话直说。我不完全赞同。观点和立场要直接，不要
掩饰，但表达还得讲究艺术，讲究美感，学会用情，既要给人悬念，也要留有余地。
直说，说深了容易过头，说浅了隔靴搔痒。 在这里有一个有趣的问题是，为什么微信
公众号的评论，其他用户不能回复？仅作者回复？ 3、当listing获得第一个评论之后，
亚马逊就会收取卖家60美金的费用，一年内有效。当然，有的产品可能在一个月之内
就完成了计划，这个取决于卖家产品的质量和销量。如果5个评论完成，平均到一个
上面差不多是12美金，卖家可以根据自己的广告预算来决定是否要参加。微信是熟
人社交，评论数相对较少，在一屏内就可以看完全部的评论数，在这种情况下选择倒
序没有必要。而微博的评论数是成千上万的，如果正序排列，那么用户要查看最新的
评论，需要滑动到最底部下拉刷新，操作成本太大。点赞 目前市面上的视频产品在
播放的时候，大多都有使用弹幕，用户在特定的时间发送弹幕评论，就会被保留
下来，以后每次视频播放的时候，弹幕都会被展现出来。 \begin{equation} \begin{aligned}
A_{i}(o, a) &=Q_{i}^{\psi}(o, a)-b\left(o, a_{\backslash i}\right) ), \text { where } \\ b\left(o,
a_{\backslash i}\right) ) &=\mathbb{E}_{a_{i} \sim
\pi_{i}\left(o_{i}\right)}\left[Q_{i}^{\psi}\left(o,\left(a_{i}, a_{\backslash i}\right)\right)\right]
\end{aligned} \end{equation}\\ 因此即使评论量很大，依旧采用的还是正序排列，按照评
论的发表时间依次展示，帮助用户理解。 点赞
总体来说，当评论数较少，用户互动较少时，建议使用线性结构；当评论数较多，且互
动较多时，建议使用树形结构。 其中 Q_{\overline{\psi}} 是目标的Q值函数.它只是过
去Q函数的指数移动平均，而D是一个存储过去经验的回放缓冲区。 另一个会影响排
序的因素就是评论的数量，刨除评论的数量，讨论时效性是没有意义的。以微信和微
博举例，微博的评论列表是倒序排列，而微信则是正序排列。 评论数据一般为消费者
对特定商品的评价或是社会大众对新闻事件的评论，信息通常分布在网页中，一般
采取爬虫的方式获取数据。评论数据多为非正式的书面评论，存在诸多非法字符比
如表情、符号等，往往需要通过数据清洗完成数据的规整。清洗后的数据可以基于自
然语言处理相关技术（词法分析、句法分析、信息抽取、主旨话题模型）进行分析；文
本分析结果可进一步结合数据的元信息做场景化的可视化面板展示。 今日，《传媒茶
话会》特邀中央广播电视总台央广新媒体副总编辑，第十二届长江韬奋奖（长江系列）
获得者张显峰点评此文，并带来他关于如何写好新闻评论的看法。 而“早期评论者
计划”作为官方推出的合规测评方式，对于打造新listing也是一个不错的工具。对于质
量过硬的好产品，还是值得一试的。 \begin{equation} Q_{i}^{\psi}(o,
a)=f_{i}\left(g_{i}\left(o_{i}, a_{i}\right), x_{i}\right) \end{equation}\\ 而要实现用户评价
分析，如果您的数据量不是很大，熟悉机器学习算法如R语言或Python等，可以采用编
码的方式实现。如果您的数据量较大，分析完成后还需要与业务应用系统相融合，那
么小T给您安利一款简单好用的AI建模工具，不需要复杂编码，简单拖拽就可以实现
以上分析。来张图感受一下： 其中 \overline{\psi} 和 \overline{\theta} 分别是目标评论家网
络和目标策略网络的参数.注意到 Q_{i}^{\psi} 是对智能体i的动作值函数估计,但是其
输入值是所有智能体的观测值和动作值. \alpha 是用来平衡最大熵和奖励值的参数.分
散的策略是通过利用梯度上升来更新下面的表达式进行更新的: 旺季来临，店铺注册
的难度也在加大，店铺的安全性变得越来越重要。找人刷评固然需要，但自己也要好
好把关，不要盲目地追求刷评速度，这个阶段安全性才是最重要的。这种评论之间的
互动就导致评论之间不是相互独立的，彼此存在关联性。按照评论发布时间的正序
排列，用户自上而下的浏览方向，先评论的先看到，更能体现出评论之间的逻辑
关系，可以让用户更好的厘清之间的关系。 我的思考：不是。我们回到二级评论的场
景中去，试想，我们在点击进入一个二级评论，我们想看到的时候针对这个评论所产
生的讨论，此时这个评论的回复其实是有故事线在，因此，二级评论列表页按照最久
评论在最新展示是相对合理。 我们将这些信息配以不同的权重，最后换算出一个类
似“热度”的数据，以此作为排序的依据。除了前面提到的评论时间，另一个比较常见
的排序指标就是点赞量。 树型结构相比线型结构有更好的逻辑性，那为什么要用线
性结构呢？线性结构的优势除了形式上统一还有其他优点吗？知乎、微博等二级评
论都采用线型结构，为什么呢？ 在创建“早期评论者计划”之前，新卖家们最好提前
了解一下“ 常见问题”。如果还有其它不明白的可以开case咨询客服。 在这一层面上,多
种多智能体强化学习方法相继被提出.最简单的方法是对每一个智能体进行单独的训
练来最大化每个智能体的累计奖励值,这一方法在训练单个智能体的时候将其他智
能体视作环境的一部分.然而,这一方法违背了强化学习中的基本假设:环境应该是一
个静态环境并且具有马尔科夫性质.而由于其他智能体在不断改变其策略,每个智能
体所处的环境其实是随着时间的推进在动态变化的.在这种情形下,为静态的马尔科
夫决策过程设计的标准的算法往往不能取得较好的结果. 3、当listing获得第一个评论
之后，亚马逊就会收取卖家60美金的费用，一年内有效。当然，有的产品可能在一个
月之内就完成了计划，这个取决于卖家产品的质量和销量。如果5个评论完成，平均
到一个上面差不多是12美金，卖家可以根据自己的广告预算来决定是否要参加。中
间有何多需要细化的地方，期待你在一些地方做的很深之后，然后咱们沟通坑与
非坑。 设想一下，你看到第17层有一个评论非常的有意思，你回复了一下。半个小时
后，对方回复你了，但是这条回复已经是第58层，然后你再回复…… 我们提出的方法
的输入空间相对于代理的数量呈线性增长，而不是之前方法的二次增长.它也适用于
合作、竞争和混合环境，超过了以前只关注合作环境的工作的能力.我们已经在三个
模拟环境和任务上验证了我们的方法. 《发现不了问题就是最大问题》虽然是获奖的评
论，但也难免命题和写作的局限。如果非要谈一点遗憾的话，我认为它写得“太像” 评论
了，作文的痕迹重了一些，文章的洒脱少了一些。相比标题，评论本身的文本价值弱
了一点。 评论文本中往往带着评论者的主观情感色彩，这些积极、中性或消极的评价
表达了评价者对产品品牌的态度倾向。基于情感分析模型，能够分析出评论中的情感
色彩；具体的挖掘流程如下，依次进行词法分析、文本过滤、情感分析。 上述六个操
作是评论运营后台常见的操作，有过从0到1做产品的人都知道，研发人力永远不够，
需求永远会砍。因此，在产品初期，很少会投入太多人力搭建评论运营后台，此时PM
的职责就是去拆解评论运营后台，并按照节奏去推动后台每一个功能的细化和
实现。 每一条评论都围绕一个或几个核心主旨进行阐述，这个核心主旨就是评论的
中心思想。基于主旨话题分析技术获取文本主旨，每一条评论可能包含多个主旨
话题，每一个话题包含多个主题词，通过评论的隶属度确定评论所属的主旨话题，通
过主题词的分布确定主旨的含义。评论话题的具体分析流程如下，此过程要依次进
行词法分析、文本过滤、主旨话题分析： 如果说把评论功能比喻成一个冰山，那么在
前面三部分聊到的都是冰山之上的内容，下面要聊到的才是冰山之下，用 户弱感知，
但又非常重要的一部分——评论运营后台。 评论内容，评论的回复等都在一个层级
页面，无二级页面。比较常见的是微信公众号的评论，朋友圈的评论，以及抖音的评
论平铺式设计。 归根结底，精准评论是能够给用户对作品进行更好的体验，无论是评
论者还是观看评论者，都能够在精准评论里解决自己的问题，满足需求的同时也提高
了用户的体验。