今日头条的火爆，推动了“智能推荐”的定义。此后，基于内容的产品和人性化的算法逐渐从产品卖点转变为标准配置。
有了“深度学习”、“互联网大数据”等流行词汇和定义，商品的水平瞬间提升了很多。各种强烈推荐的算法，不仅是产品研发的日常任务，也是产品运营的日常任务。作为一个产品运营，我们必须深入算法，参与算法的设计方案，不断的用融合内容“调试”算法，让商品强烈推荐的算法逐步完善，最后和自己的内容融合。
以新闻产品为例，结合我之前从零开始积累产品用户的工作经验，梳理出PM必须掌握的基本算法专业知识和实际 *** 作。
算法的发展趋势
情报推荐不是一个产品刚公布就可以拿的。无论是基于用户个人行为的人性化，还是基于内容相似度的人性化，都是基于大量的用户和内容。产品发布之初，双方的数据信息普遍不完整，无法进行智能推荐。
所以在商品发展趋势的前期，强烈建议内容一般采用更收敛的“热度算法”。说白了就是优先考虑网络热点的内容，并强力推荐给用户。虽然无法保证根据每个用户的兴趣爱好和习惯进行精准的强推荐，但可以覆盖绝大多数的内容需求，启动成本远低于智能推荐算法。
因此，强烈建议在发布前期使用热度算法完成冷启动，只有积累到一定数量级后，才能慢慢进行智能推荐算法。
加热算法
1。热算法的基本概念
必须掌握的是，热度算法也必须不断改进和完善。基本概念是:
新闻热度得分=用户互动引起的初始热度得分–随时间衰减的热度得分
Score=S0S(用户)-S(时间)
新闻进入数据库后，系统软件授予一个初始热度值，新闻进入强烈推荐目录进行排列；在新闻不断被用户点击阅读、收藏分享的情况下，这种用户的个人行为被视为帮助新闻增加人气，系统软件必须给每条新闻一个人气值；另外，新闻是一个时效性很强的内容，所以新闻发布后，热度必然随着新闻越来越老而下降。
新闻的热度在这种算法的综合作用下不断变化，强烈推荐目录的排列也不断变化。
2。初始加热不应该是一致的
上述算法对每个入库的新闻条目授予相同的流行度值，但实际应用后很难实现。比如游戏娱乐类型的普及程度远高于文化艺术类型本身；或突发重大灾害或安全事故；或者夏季奥运会期间，体育文化类型的认知度突然上升；这时候，如果每条新闻都给同样的热度，就无法迎合具体。
解决方法是将初始热量设置为独立变量:
(1)根据新闻类型，赋予新闻不同的初始热度，让用户认知度高的类型获得更高的初始热度得分，进而获得大量曝光。
例如:
(2)对于大事件的报道，如何让它进库会有更高的热度。大家选择流行语搭配的方法。
即监督提取大中型新闻网站的今日头条、Twitter热点、竞争对手的今日头条，并将这些新闻的关键词维护升级到热门词典；当每条新闻进入数据库时，让新闻的关键词匹配热门词典。匹配度越高，初始热分就越高。
之后，当一个大事件发生时，Twitter和portal的竞相报道会造成热词的集中，所有与这个热词相匹配的新闻，即报道同一恶性事件的新闻，都会获得较高的初始热度得分。
3。用户个人行为的次标准不是固定的，不会改变
解决了新闻进入数据库的初始得分后，接下来就是新闻流行度得分的变化。首先要确立用户的哪些个人行为会提升新闻的知名度，然后对这种个人行为给予一定的评级标准。
例如，对于一条新闻，用户可以点击阅读(点击)、收藏(收藏)、分享(分享)和评论这四种个人行为，每个人都可以针对不同的个人行为授予结果，从而获得新闻用户的即时个人行为:
S(用户)=1*点击5*赞10*评论20*分享
在这里，对不同的个人行为给予的分数是1、5、10、20，但这个值不能一成不变；用户业务规模小，各种恶性事件就小。这时候必须提高每一次恶性事件的个人行为评分，以提高用户个人行为的受欢迎程度。当用户的业务规模增大时，个人行为点要逐渐减少，所以在做内容营销时，要不断调整个人行为点。
自然也有偷懒的方法，就是把用户运营规模考虑进去，计算固定数量用户的个人行为积分，即:
s(用户)=(1*点击5*收藏10*评论20*分享)/dau*n(固定数量)
这保证了在不同规模的用户 *** 作下，由用户个体行为引起的个体行为在子基础上是稳定的。
4。热量随时间的衰减不是线性的
因为新闻的时效性很强，已经发布的新闻的热度值必然随着时间的推移而衰减，发展趋势应该是衰减越来越快，直至接近零热度。也就是说，如果一条新闻一直处于靠前的位置，那么随着时间的变化，它一定会被越来越多的用户保留。
规定强烈推荐给用户的新闻必须在24小时内。所以从理论上来说，衰减算法必须保证新闻的热度在24小时后衰减到很低的水平。如果是线性衰减，当某条新闻突然有很多用户阅读文章，得到一个高热度分时图，很可能会持续很长时间排名靠前，让用户觉得内容升级太慢。
参考哥白尼制冷基本定律，时间衰减因子应该是对数函数:
T(时间)=e^(k*(t1–t0))
其中T0是新闻发布时间，T1是当前时间。
因为热度的发展趋势是无止境趋近于零热度的结果，最终的新闻热度算法也调整为:
Score=(S0(类型)S(用户))/T(时间)
5。其他影响因素
很多新闻产品会给用户“喜欢”、“踩”或者“不要强烈推荐这个类目”的选择，不仅适用于智能推荐，对热度算法也有一定的作用。
新闻推送会导致大量打开，估计热度的时候必须去除相关危害。这样的元素会对热度算法造成伤害，所以还是要在热度算法发布后进行“调试”。
建议将所有调整指标值做成匹配项，如初始热度评分、个人行为恶性事件评分、衰减因子等。，让商品和商家可以立即调整和认证实际效果，以达到最佳的情况。
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）