今日頭條的走紅帶動(dòng)了“個(gè)性化保舉”的概念，自此之后，內(nèi)容型的產(chǎn)品，個(gè)性化算法就逐漸從賣(mài)點(diǎn)變?yōu)闃?biāo)配。

陪同著“機(jī)器學(xué)習(xí)”，“大數(shù)據(jù)”之類(lèi)的熱詞和概念，產(chǎn)品的檔次瞬間提高了很多。而各種保舉算法絕不但僅是研發(fā)本身的任務(wù)，作為產(chǎn)品經(jīng)理，必需深入到算法內(nèi)部，參與算法的設(shè)計(jì)，以及結(jié)合內(nèi)容對(duì)算法不停“調(diào)教”，才能讓產(chǎn)品的保舉算法不停完善，最終與本身的內(nèi)容雙劍合璧。

本文以新聞產(chǎn)品為例，結(jié)合了我之前產(chǎn)品從零積累用戶的經(jīng)驗(yàn)，整理了作為PM需要了解的基本算法知識(shí)和實(shí)操。

算法的發(fā)展階段

個(gè)性化保舉不是產(chǎn)品首次發(fā)布時(shí)就能帶的，無(wú)論是基于用戶行為的個(gè)性化，還是基于內(nèi)容相似度的個(gè)性化，都建立在大量的用戶數(shù)和內(nèi)容的基礎(chǔ)上。產(chǎn)品發(fā)布之初，一般兩邊的數(shù)據(jù)都有殘缺，因此個(gè)性化保舉也無(wú)法開(kāi)展。

所以在產(chǎn)品發(fā)展的初期，保舉內(nèi)容一般采用更加聚合的“熱度算法”，顧名思義就是把熱點(diǎn)的內(nèi)容優(yōu)先保舉給用戶。雖然無(wú)法做到基于興趣和習(xí)慣為每一個(gè)用戶做到精準(zhǔn)化的保舉，但能覆蓋到大部分的內(nèi)容需求，并且啟動(dòng)成本比個(gè)性化保舉算法低太多。

因此內(nèi)容型產(chǎn)品，保舉在發(fā)布初期用熱度算法實(shí)現(xiàn)冷啟動(dòng)，積累了必然量級(jí)以后，才能逐漸開(kāi)展個(gè)性化保舉算法。

熱度算法

1、熱度算法基來(lái)源根基理

需要了解的是，熱度算法也是需要不停優(yōu)化去完善的，基來(lái)源根基理：

新聞熱度分 = 初始熱度分 + 用戶交互產(chǎn)生的熱度分 – 隨時(shí)間衰減的熱度分

Score = S0 + S（Users） – S（Time）

新聞入庫(kù)后，系統(tǒng)為之賦予一個(gè)初始熱度值，該新聞就進(jìn)入了保舉列表進(jìn)行排序；隨著新聞不停被用戶點(diǎn)擊閱讀，保藏，分享等，這些用戶行為被視作幫手新聞提升熱度，系統(tǒng)需要為每一種新聞賦予熱度值；同時(shí)，新聞是有較強(qiáng)時(shí)效性的內(nèi)容，因此新聞發(fā)布之后，，熱度必需隨著新聞變得陳舊而衰減。

新聞的熱度就在這些算法的綜合作用下不停變革，保舉列表的排序也就不停變革。

2、初始熱度不該該一致

上面的算法為每一條入庫(kù)的新聞賦予了同樣的熱度值，但在現(xiàn)實(shí)使用后發(fā)現(xiàn)行欠亨，例如娛樂(lè)類(lèi)別比文化類(lèi)別受歡迎程度自己就高很多；或者突發(fā)了嚴(yán)重的災(zāi)害或變亂；或是奧運(yùn)會(huì)期間，體育類(lèi)另外關(guān)注度突然高了起來(lái)；而此時(shí)如果還是每條新聞給同樣的熱度就不能貼合實(shí)際了。

解決措施就是把初始熱度設(shè)置為變量：

（1）根據(jù)新聞?lì)悇e給予新聞差別的初始熱度，讓用戶關(guān)注度高的類(lèi)別獲得更高的初始熱度分，從而獲得更多的曝光。

例如：

（2）對(duì)于重大事件的報(bào)道，如何讓它入庫(kù)時(shí)就有更高的熱度，我們采用的是熱詞匹配的方式。

即對(duì)大型新聞?wù)军c(diǎn)的頭條，Twitter熱點(diǎn)，競(jìng)品的頭條做監(jiān)控和扒取，并將這批新聞的關(guān)鍵詞維護(hù)到熱詞庫(kù)并連結(jié)更新；每條新聞入庫(kù)的時(shí)候，讓新聞的關(guān)鍵詞去匹配熱詞庫(kù)，匹配度越高，就有越高的初始熱度分。

這樣處理后，重大事件發(fā)生時(shí)，Twitter和門(mén)戶網(wǎng)站的爭(zhēng)相報(bào)道會(huì)導(dǎo)致熱詞集中化，所有匹配到這些熱詞的新聞，即報(bào)道同樣事件的新聞，會(huì)獲得很高的初始熱度分。

3、用戶行為分規(guī)則不是固定不亂的

解決了新聞入庫(kù)的初始分之后，接下來(lái)是新聞熱度分的變革。先要明確用戶的的哪些行為會(huì)提高新聞的熱度值，然后對(duì)這些行為賦予必然的得分規(guī)則。

例如對(duì)于單條新聞，用戶可以點(diǎn)擊閱讀（click），保藏（favor），分享（share），評(píng)論（comment）這四種行為，我們?yōu)椴顒e的行為賦予分?jǐn)?shù)，就能得到新聞的實(shí)時(shí)用戶行為分為：

S（Users） = 1*click + 5*favor + 10*comment + 20*share

這里對(duì)差別行為賦予的分?jǐn)?shù)為1,5,10,20，但這個(gè)值不能是一成不亂的；當(dāng)用戶規(guī)模小的時(shí)候，各項(xiàng)事件都小，此時(shí)需要提高每個(gè)事件的行為分來(lái)提升用戶行為的影響力；當(dāng)用戶規(guī)模變大時(shí)，行為分也應(yīng)該慢慢降低，因此做內(nèi)容運(yùn)營(yíng)時(shí)，應(yīng)該對(duì)行為分不停調(diào)整。

當(dāng)然也有偷懶的措施，那就是把用戶規(guī)?？紤]進(jìn)去，算固定用戶數(shù)的行為分，即：

S（Users） = （1*click + 5*favor + 10*comment + 20*share）/ DAU * N（固定數(shù)）

這樣就保證了在差別用戶規(guī)模下，用戶行為產(chǎn)生的行為分基本不變。

4、熱度隨時(shí)間的衰減不是線性的

標(biāo)簽：東營(yíng) 鹽城 林芝 烏魯木齊 九江