今日頭條的走紅帶動了“個性化保舉”的概念，自此之后，內容型的產品，個性化算法就逐漸從賣點變為標配。

陪同著“機器學習”，“大數據”之類的熱詞和概念，產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本身的任務，作為產品經理，必需深入到算法內部，參與算法的設計，以及結合內容對算法不停“調教”，才能讓產品的保舉算法不停完善，最終與本身的內容雙劍合璧。

本文以新聞產品為例，結合了我之前產品從零積累用戶的經驗，整理了作為PM需要了解的基本算法知識和實操。

算法的發展階段

個性化保舉不是產品首次發布時就能帶的，無論是基于用戶行為的個性化，還是基于內容相似度的個性化，都建立在大量的用戶數和內容的基礎上。產品發布之初，一般兩邊的數據都有殘缺，因此個性化保舉也無法開展。

所以在產品發展的初期，保舉內容一般采用更加聚合的“熱度算法”，顧名思義就是把熱點的內容優先保舉給用戶。雖然無法做到基于興趣和習慣為每一個用戶做到精準化的保舉，但能覆蓋到大部分的內容需求，并且啟動成本比個性化保舉算法低太多。

因此內容型產品，保舉在發布初期用熱度算法實現冷啟動，積累了必然量級以后，才能逐漸開展個性化保舉算法。

熱度算法

1、熱度算法基來源根基理

需要了解的是，熱度算法也是需要不停優化去完善的，基來源根基理：

新聞熱度分 = 初始熱度分 + 用戶交互產生的熱度分 – 隨時間衰減的熱度分

Score = S0 + S（Users） – S（Time）

新聞入庫后，系統為之賦予一個初始熱度值，該新聞就進入了保舉列表進行排序；隨著新聞不停被用戶點擊閱讀，保藏，分享等，這些用戶行為被視作幫手新聞提升熱度，系統需要為每一種新聞賦予熱度值；同時，新聞是有較強時效性的內容，因此新聞發布之后，，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的新聞賦予了同樣的熱度值，但在現實使用后發現行欠亨，例如娛樂類別比文化類別受歡迎程度自己就高很多；或者突發了嚴重的災害或變亂；或是奧運會期間，體育類另外關注度突然高了起來；而此時如果還是每條新聞給同樣的熱度就不能貼合實際了。

解決措施就是把初始熱度設置為變量：

（1）根據新聞類別給予新聞差別的初始熱度，讓用戶關注度高的類別獲得更高的初始熱度分，從而獲得更多的曝光。

例如：

（2）對于重大事件的報道，如何讓它入庫時就有更高的熱度，我們采用的是熱詞匹配的方式。

即對大型新聞站點的頭條，Twitter熱點，競品的頭條做監控和扒取，并將這批新聞的關鍵詞維護到熱詞庫并連結更新；每條新聞入庫的時候，讓新聞的關鍵詞去匹配熱詞庫，匹配度越高，就有越高的初始熱度分。

這樣處理后，重大事件發生時，Twitter和門戶網站的爭相報道會導致熱詞集中化，所有匹配到這些熱詞的新聞，即報道同樣事件的新聞，會獲得很高的初始熱度分。

3、用戶行為分規則不是固定不亂的

解決了新聞入庫的初始分之后，接下來是新聞熱度分的變革。先要明確用戶的的哪些行為會提高新聞的熱度值，然后對這些行為賦予必然的得分規則。

例如對于單條新聞，用戶可以點擊閱讀（click），保藏（favor），分享（share），評論（comment）這四種行為，我們為差別的行為賦予分數，就能得到新聞的實時用戶行為分為：

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

這里對差別行為賦予的分數為1,5,10,20，但這個值不能是一成不亂的；當用戶規模小的時候，各項事件都小，此時需要提高每個事件的行為分來提升用戶行為的影響力；當用戶規模變大時，行為分也應該慢慢降低，因此做內容運營時，應該對行為分不停調整。

當然也有偷懶的措施，那就是把用戶規模考慮進去，算固定用戶數的行為分，即：

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

這樣就保證了在差別用戶規模下，用戶行為產生的行為分基本不變。

4、熱度隨時間的衰減不是線性的

標簽：東營 鹽城 林芝 烏魯木齊 九江