中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

以圖片社區為例，結合我的實踐經驗，從待解決問題、輸入、計算邏輯、輸出四要素，拆解熱度算法如何設計。

一、背景

在內容社區中，熱度算法是基于實際用戶反饋行為，比如內容的點贊、收藏等數據，而實時計算得到的分數。熱度算法用于衡量內容的流行度，做對應的質量評估。這里的“質量”，更多代表的是內容受用戶歡迎程度。熱度高，表示當前內容受更多用戶歡迎，十分流行；熱度低，表示圖片較為冷門。

熱度算法為了解決什么問題而存在？

它是為了從龐大的內容庫中，簡單高效地發現大多數人喜歡的頭部內容，推薦給其他用戶，從而滿足他們的內容需要。《烏合之眾》提到，人們在群體生活中，多有從眾心理，偏好大多數人的選擇。熱度算法正是應用了大眾心理，熱度反映的是社區內部用戶大多數的口味偏好。

二、價值

熱度算法的價值在哪里？

維持老用戶的活躍度。熱度算法能夠讓老用戶最高效地獲取頭部內容，及時感知到當前社區的熱點。

以新浪微博為例，熱搜榜憑借熱度算法，快速挖掘熱點新聞，讓用戶獲取實時熱點，帶動了新浪微博整體的活躍度。吃瓜群眾喜歡的娛樂圈八卦，如若干明星出軌事件，在熱搜爆出后，讓服務器幾度宕機。

提高新用戶的留存率。熱度算法呈現的是社區最流行的內容，這能夠讓新用戶第一時間感知社區作品的優質程度，大概率滿足他們的內容需要，增加留下來的可能性。

以攝影社區圖蟲和視頻社區B站為例，熱門Tab的優先級很高，把當前最熱的內容呈現給新用戶，對提升留存是有很大幫助的。

三、算法

以圖片社區為例，結合我的實踐經驗，從待解決問題、輸入、計算邏輯、輸出四要素，拆解熱度算法如何設計。請記住，以下思路是可以復用的，不止是圖片，其他形式的內容如文章、視頻、音頻都適用。需要注意的是，輸入及計算邏輯需要結合你的具體產品和業務背景而定。

1. 待解決問題及期望輸出

在熱度算法中，待解決問題是如何量化圖片在社區中的流行度。

期望輸出熱度排序，用于排行榜或基于一定規則下發至用戶端。

2. 輸入

從圖片的生命周期來看，一張圖片會經過四個階段：剛發布、被其他用戶消費互動、被官方推薦、成為舊圖片。依此，我們可以考慮圖片熱度S拆分為三部分組成：

• S1-初始分，指圖片剛發布，沒有任何消費互動時，賦予一定的初始分數。
• S2-受歡迎分，指圖片發布后，被其他用戶消費互動，具備一定的受歡迎分數。
• S3-推薦分，指官方運營可以對圖片進行正負推薦，做一定的人工干預。

其中，正推薦可以對分數低但具備潛力的圖片給予扶持，負推薦可以對分數高但不符合社區規范的圖片進行抑制。

這三個子分數的輸入來源，可以結合以下考慮：

• 初始分S1：用過往圖片被精選次數或該用戶的身份權重。由于我所在的產品，精選是由運營判斷的，相對質量較好，而用戶的身份如達人等相對缺乏持續運營，所以我選取精選數作為核心指標。
• 受歡迎分S2：在一定展示量下，該圖片被點贊、評論、收藏、分享的次數/人數。以上是較為常規的關鍵指標，如果你的產品有其他更為關鍵的行為，可以做對應增刪。
• 推薦分S3：S1和S2是圖片本身自帶的數據，而S3則是預留了一個運營干預的口子。這里的分數，可以做對應的運營輔助后臺，由運營同事手動設置。正推薦則加分，負推薦則減分。

3. 計算邏輯

3.1 未考慮時效性的熱度計算

• 圖片熱度S=初始分S1+受歡迎S2+正推薦分S3-1+負推薦分S3-2；
• 初始分S1=SUM（該用戶過往圖片被精選次數），精選次數封頂值為max；
• 受歡迎分S2=(h1*點贊數+h2*評論數+h3*收藏數+h4*分享數)/展示數，h1-h4為該行為的單次得分項，分數越高，表示該行為對內容更重要；
• 正推薦分S3-1=運營設定值，為正數；
• 負推薦分S3-2=運營設定值，為負數。

以上是未考慮時效性的分數計算，當圖片成為舊圖片時，我們更希望它能夠為其他新圖片讓位。也就是熱度降低，熱度與時間成負相關關系。這時候我們引入時間衰減函數，對S1、S2和S3分別考慮時間的影響。

3.2?考慮時效性的熱度計算

業內通用的時間衰減函數，是牛頓冷卻定律。偉大的牛頓發現，物體的溫度在冷卻到與室溫一致時，溫度變化并不是線性的，而是指數衰減。這個定律也被互聯網的小伙伴跨界應用到熱度算法。

公式表示為F（T）=e^[-k*(T-T0)]，e是自然常數2.718，k為冷卻系數，（T-T0）為時間間隔，T為當前時間，T0為起始時間。k越大，衰減越快；k越小，衰減越慢。

k值如何確定？假設熱度從100變成1，用了24小時（全衰期），可以視為基本衰減完畢，即F（T）=0，T-T0=24，依此可以求得k值。計算時需要注意時間單位，統一換算為時間戳。在實際的落地中，難度在于如何確定全衰期。這個應該根據實際的業務需要去判定，比如新聞的全衰期一般為24小時，比較注重實效性；而其他業務，對于時效性要求不高，可以將全衰期適當延長。

加上時間衰減后，我們可以更新S1-S3的公式如下：

• 初始分S1=SUM（該用戶過往圖片被精選次數）*F1（T），精選次數封頂值為max
• 受歡迎分S2=(h1*點贊數+h2*評論數+h3*收藏數+h4*分享數)/展示數*F2（T）
• 正推薦分S3-1=運營設定值*F3（T），為正數
• 負推薦分S3-2=運營設定值，為負數

其中，F1（T）、F2（T）、F3（T）均為對應的衰減函數：

• F1（T）=e^[-k1*(T-T0)]，T0為圖片發布時間
• F2（T）=e^[-k2*(T-T0)]，T0為圖片發布時間
• F3（T）=e^[-k3*(T-T’)]，T’為設定時間

3.3 歸一化處理

經過以上2個步驟的處理，我們得到的是：圖片熱度S=初始分S1+受歡迎S2+正推薦分S3-1+負推薦分S3-2。

如果你實際落地中會發現，受歡迎分S2往往很大，無論如何調節S1和S3，對分數影響都很小。這個時候，你會幡然醒悟，缺少了最重要的一步——歸一化。

因為我們得到的S1、S2和S3，大小不在同一量級上，如果直接簡單相加，S約等于可能約等于某個子分數。

引入歸一化系數a，將各部分分數進行適當的放大或縮小。最終得到：圖片熱度S=a1*初始分S1+a2*受歡迎S2+a3*正推薦分S3-1+a4*負推薦分S3-2。

4.實例

用戶小白在2020年3月1日0:00發布一張圖片，小白過往圖片被精選次數為20次；24小時后，該圖片累計展示1000次，獲贊數400，評論數100，收藏數50，分享數10。求此時的熱度分數。暫無運營推薦操作。

在熱度算法中：

• 初始分S1=SUM（該用戶過往圖片被精選次數）*F1（T），精選次數封頂值為max
• 受歡迎分S2=(h1*點贊數+h2*評論數+h3*收藏數+h4*分享數)/展示數*F2（T）
• 正推薦分S3-1=運營設定值*F3（T），為正數
• 負推薦分S3-2=運營設定值，為負數

若結合業務討論得到：

• 初始分S1，精選最多按10次計算，時效性3天；T-T0=24小時=1天，對應F1（T）=0.215；
• 受歡迎分S2，點贊一次計1分，評論一次計2分，收藏一次計3分，分享一次計4分，時效性30天；T-T0=1天，對應F2（T）=0.858
• 正推薦S3-1，推薦時效性7天

那么此時可以計算如下：

• S1=10*F1（T）=2.15
• S2=（1*400+2*100+3*50+4*10）/1000*F2(T)=0.68
• S3-1=S3-2=0
• 而熱度分S=a1*S1+a2*S2+a3*S3-1+a4*S3-2，其中歸一化系數a1=1，a2=10，a3=5，a4=5，則計算出最終S=8.95

四、總結

熱度算法實際很難，難就難在如何根據實際業務調參調優，以下我分享幾點心得：

（1）第一版本不在乎精度，重點在于跑通流程，確定好整個熱度算法的框架

框架必須正確，并且支持后續拓展。第二版本起，才開始調參調優。這是是一個技術活，一定要體現在分數的改變效果上，根據效果來反推調優方向，否則只是無意義的勞動。

（2）無數據不算法，巧婦難為無米之炊

輸入涉及的數據指標，都是需要正確埋點的。如果數據不可用，應該優先做數據基建。

小數據+復雜模型=一般效果

大量數據+簡單模型=很好效果

大量數據+復雜模型=更好效果

（3）熱度S能夠讓運營或用戶簡單理解的前提，是需要做對應的可視化

因為直接計算出熱度分數只是個絕對數，而相對數才是對業務有參考意義的。比如你可以將熱度S做成區間0-10，10分表示滿分。要學會將技術語言轉化為業務語言。

如果你看完以上內容，覺得熱度算法很簡單。那么恭喜你，你已經成功入坑，可以去實踐了。

如果沒看懂，你可以勇敢提出你的疑問。我們一起交流學習，共同進步。

作者：Ln，微信號：scnulhy

本文由 @Ln?原創發布于人人都是產品經理。未經許可，禁止轉載

題圖來自Unsplash，基于CC0協議