今日頭條的走紅帶動(dòng)了“個(gè)性化推薦”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點(diǎn)變?yōu)闃?biāo)配。伴隨著“機(jī)器學(xué)習(xí)”，“大數(shù)據(jù)”之類的熱詞和概念，產(chǎn)品的檔次瞬間提高了很多。而各種推薦算法絕不僅僅是研發(fā)自己的任務(wù)，作為產(chǎn)品經(jīng)理，必須深入到算法內(nèi)部，參與算法的設(shè)計(jì)，以及結(jié)合內(nèi)容對(duì)算法不斷“調(diào)教”，才能讓產(chǎn)品的推薦算法不斷完善，最終與自己的內(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。

1. 算法的發(fā)展階段

個(gè)性化推薦不是產(chǎn)品首次發(fā)布時(shí)就能帶的，無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)性化推薦也無法開展。

所以在產(chǎn)品發(fā)展的初期，推薦內(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)先推薦給用戶，雖然無法做到基于興趣和習(xí)慣為每一個(gè)用戶做到精準(zhǔn)化的推薦，但能覆蓋到大部分的內(nèi)容需求。而且啟動(dòng)成本比個(gè)性化推薦算法低太多。

因此內(nèi)容型產(chǎn)品，推薦在發(fā)布初期用熱度算法實(shí)現(xiàn)冷啟動(dòng)，積累了一定量級(jí)以后，才能逐漸開展個(gè)性化推薦算法。

2. 熱度算法

2.1 熱度算法基本原理

需要了解的是，熱度算法也是需要不斷優(yōu)化去完善的，基本原理：

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)入了推薦列表進(jìn)行排序；隨著新聞不斷被用戶點(diǎn)擊閱讀，收藏，分享等，這些用戶行為被視作幫助新聞提升熱度，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，熱度必須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斷變化，推薦列表的排序也就不斷變化。

2.2 初始熱度不應(yīng)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)行不通，例如娛樂類別比文化類別受歡迎程度本身就高很多；或者突發(fā)了嚴(yán)重的災(zāi)害或事故；或是奧運(yùn)會(huì)期間，體育類別的關(guān)注度突然高了起來；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。

解決辦法就是把初始熱度設(shè)置為變量：

1）按照新聞?lì)悇e給予新聞不同的初始熱度，讓用戶關(guān)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(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)并保持更新；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。

2.3 用戶行為分規(guī)則不是固定不變的

解決了新聞入庫(kù)的初始分之后，接下來是新聞熱度分的變化。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)這些行為賦予一定的得分規(guī)則。例如對(duì)于單條新聞，用戶可以點(diǎn)擊閱讀（click），收藏（favor），分享（share），評(píng)論（comment）這四種行為，我們?yōu)椴煌男袨橘x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)不同行為賦予的分?jǐn)?shù)為1,5,10,20，但這個(gè)值不能是一成不變的；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)行為分不斷調(diào)整。

當(dāng)然也有偷懶的辦法，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)）

這樣就保證了在不同用戶規(guī)模下，用戶行為產(chǎn)生的行為分基本穩(wěn)定。

2.4 熱度隨時(shí)間的衰減不是線性的

由于新聞的強(qiáng)時(shí)效性，已經(jīng)發(fā)布的新聞的熱度值必須隨著時(shí)間流逝而衰減，并且趨勢(shì)應(yīng)該是衰減越來越快，直至趨近于零熱度；換句話說，如果一條新聞要一直處于很靠前的位置，隨著時(shí)間的推移它必須要有越來越多的用戶來維持。

我們要求推薦給用戶的新聞必須是24h以內(nèi)，所以理論上講，衰減算法必須保證在24h后新聞的熱度一定會(huì)衰減到很低，如果是線性衰減，當(dāng)某些新聞突然有大量用戶閱讀，獲得很高的熱度分時(shí)，可能會(huì)持續(xù)排名靠前很久，讓用戶覺得內(nèi)容更新過慢。

參考牛頓冷卻定律，時(shí)間衰減因子應(yīng)該是一個(gè)類似于冪函數(shù)：

T(Time) = e ^ (k*(T1 - T0)) 其中T0是新聞發(fā)布時(shí)間，T1是當(dāng)前時(shí)間；

而最終的新聞的熱度算法也調(diào)整為：

Score = ( S0(Type) + S(Users) ) / T(Time)；

2.5 其他影響因素

很多新聞產(chǎn)品會(huì)給用戶“贊”，“踩”或“不在推薦此類”的選項(xiàng)，這些功能不僅適用于個(gè)性化推薦，對(duì)熱度算法也有一定的作用；

新聞的推送會(huì)造成大量的打開，在計(jì)算熱度的時(shí)候需要排除掉相關(guān)的影響。類似于這樣的因素，都會(huì)對(duì)熱度算法產(chǎn)生影響，因此熱度算法上線后，依然需要不斷地“調(diào)教”。建議把所有的調(diào)整指標(biāo)做成可配項(xiàng)，例如初始熱度分，行為事件分，衰減因子等，從而讓產(chǎn)品和運(yùn)營(yíng)能實(shí)時(shí)調(diào)整和驗(yàn)證效果，達(dá)到最佳狀態(tài)