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

優(yōu)化評論區(qū)有很多辦法，本文將從評論排序算法的角度，介紹一次評論排序優(yōu)化的過程，并展望下后續(xù)的迭代思路。

哪個產(chǎn)品甘愿只做用戶用完即走的工具？作為內(nèi)容產(chǎn)品的產(chǎn)品經(jīng)理，內(nèi)容同質(zhì)化帶來的用戶流失始終是困擾我們的問題，如何讓用戶留存并活躍，產(chǎn)生粘性呢？

可以通過做社交來實現(xiàn)，通過內(nèi)容的評論區(qū)向社區(qū)進行的轉(zhuǎn)化，例如網(wǎng)易云音樂。

優(yōu)化評論區(qū)有很多辦法，本文將從評論排序算法的角度，介紹一次評論排序優(yōu)化的過程，并展望下后續(xù)的迭代思路。

本文行文思路如下：

為什么要做評論排序

探討這個問題之前，先要講評論區(qū)對于一篇內(nèi)容來說有什么作用。評論尤其是優(yōu)質(zhì)評論能夠讓用戶產(chǎn)生共鳴，加深對內(nèi)容的理解，或者激發(fā)用戶討論等等。灌水的評論也是組成評論的一部分，但其價值顯然沒有優(yōu)質(zhì)評論高，那怎樣讓優(yōu)質(zhì)的評論獲得更多的曝光，解決優(yōu)質(zhì)的評論內(nèi)容無法被用戶看到，互動量少的問題，這就是做評論排序的一個重要意義。

主流評論排序方式

現(xiàn)在主流的評論排序有3種，按點贊數(shù)量排序，按時間排序以及基于算法排序。

按點贊排序最能反映用戶對評論內(nèi)容的態(tài)度，也最直觀易懂，而其問題是時間越長，評論數(shù)量越多，新的評論得到的曝光越差。按時間排序則能保證評論內(nèi)容的流動性，即時性強，但這種排序方式又不能讓優(yōu)質(zhì)的評論獲得最大限度的曝光。

基于各類算法排序則一定程度上將這兩種的優(yōu)點結(jié)合起來，既保證了優(yōu)質(zhì)評論能獲得更多的曝光，又能讓評論流動更新，在這次迭代時我們也選擇了算法排序的方式。

什么是Hacker News算法

Hacker News算法源于Y Combinator旗下的新聞頻道Hacker News，用戶可以在此討論某個新聞或主題，同時用戶可以對其進行投票。Hacker News算法則基于用戶投票情況與時間等因素，對內(nèi)容展示進行排序。

這個算法的公式如下：

其中P代表的得票數(shù)，T代表內(nèi)容發(fā)表至今的時間（單位為小時）。而（P-1），（T+2），1.8這些數(shù)值，設(shè)計這個算法的人對此的解釋是：（P-1）是為了去掉提交者的投票，（T+2）是為了防止最新帖子分母過下導(dǎo)致最終得分無限大（有說法是選擇2是因為從原始文章出現(xiàn)在其他網(wǎng)站，到轉(zhuǎn)帖到Hacker News平均需要兩小時），而1.8則是“重力引子”或者叫做“萬有引力”參數(shù)，默認為1.8。

了解這個公式之后我們畫個圖：

我們發(fā)現(xiàn)在其他條件相同時，時間越長，分值越低；投票越多，分值越高；重力引子越大，隨時間衰減越快。深度了解之后我們發(fā)現(xiàn)其分子其實代表的是內(nèi)容質(zhì)量，分母控制跟隨時間衰減。

（Q指內(nèi)容質(zhì)量分，G指重力引子）

了解這些之后我們可以開始動手干了。

擴展：相似類型的算法還有Reddit，Delicious，IMDB等。感興趣的同學(xué)可以自行查閱。

實施步驟

第一步：基于Hacker News算法提出幾種適合自己業(yè)務(wù)的假設(shè)

前面我們提到了，Hacker News算法計算公式的分子本質(zhì)上表現(xiàn)的是內(nèi)容質(zhì)量。那從哪些維度可以評估評論的內(nèi)容質(zhì)量或者影響評論的用戶互動行為呢？可用的指標有點贊數(shù)，回復(fù)數(shù)，評論（回復(fù)）字數(shù)，發(fā)表用戶是否KOL，回復(fù)增長速度等。在本次實踐中我們提出猜想為點贊數(shù)，回復(fù)數(shù)，字數(shù)可以影響內(nèi)容質(zhì)量。

基于我們的猜想我們在Hacker News算法的基礎(chǔ)上進行調(diào)整，衍生出了5種計算方式，如下：

• 原始：Score=(P-1)/(T+2)^1.8
• 衍生1：Score= (P)/(T+2)^1.8：點贊數(shù)不進行減1
• 衍生2：Score= (P+R)/2*[(T+2)^1.8]：加入回復(fù)數(shù)的維度，回復(fù)數(shù)與點贊數(shù)各占1/2權(quán)重
• 衍生3：Score= (P+3R)/4*[(T+2)^1.8]：加入回復(fù)數(shù)的維度，回復(fù)數(shù)占3/4權(quán)重，點贊數(shù)占1/4權(quán)重
• 衍生4：Score= [P+R+N/AVERAGE(N)]/3*[(T+2)^1.8] ：加入回復(fù)數(shù)與字數(shù)的維度，字數(shù)以文章平均字數(shù)為1單位，回復(fù)數(shù)，點贊數(shù)與字數(shù)各占1/3權(quán)重
• 衍生5：Score= [2P+5R+N/AVERAGE(N)]/8*[(T+2)^1.8] ：加入回復(fù)數(shù)與字數(shù)的維度，字數(shù)以文章平均字數(shù)為1單位，回復(fù)數(shù)占5/8權(quán)重，點贊數(shù)占2/8權(quán)重，字數(shù)占1/8權(quán)重

（Score=排序分；P=點贊數(shù)；R=回復(fù)數(shù)；N=字數(shù)；AVERAGE(N)=當(dāng)前文章評論字數(shù)平均值；T=評論發(fā)布距今天小時數(shù)）

第二步：文章樣本離線研究與算法實驗

確定了算法后，我們抽取了幾篇線上的評論量相對較多的文章的評論內(nèi)容，按上面的幾種算法進行排序，觀察對比每種算法排序的評論列表的特點，以及這幾種算法能否讓優(yōu)質(zhì)評論突出，讓灌水評論沉底。

我們以《武漢市中心醫(yī)院：李醫(yī)生去世》這篇文章為例，這篇文章約有5000條評論，將其所有評論按以上6種算法排序后如圖所示。

列表開頭：

列表結(jié)尾：

得出以下研究結(jié)果：

1. 點贊和回復(fù)數(shù)較多的評論不太會受算法影響，受時間衰減影響也較小，能夠一直排在最前的位置；
2. 僅計算點贊與回復(fù)數(shù)時，如遇無點贊與回復(fù)評論則僅以時間倒序進行排序，質(zhì)量較高的評論會被沉底，需要加入字數(shù)維度進行調(diào)整；
3. 加入字數(shù)維度能夠有效將質(zhì)量較低（字數(shù)少，無意義，無點贊回復(fù)）的評論甩在隊列最后；
4. 加入字數(shù)和回復(fù)數(shù)維度后較多較高質(zhì)量評論（有一定的觀點，字數(shù)較多，點贊和回復(fù)數(shù)中等）的排序會更靠前；
5. 有效字數(shù)需要進行限制，如遇灌水帖本身質(zhì)量不高卻能因字數(shù)較多排名靠前，而且字數(shù)無法完全證明該評論質(zhì)量，需要削弱影響占比。

第三步：線上ABtest開發(fā)方案確認

根據(jù)上面的案例研究，我們需要加入有效字數(shù)的限制邏輯，本次案例中我按67個字進行了限制（受測產(chǎn)品在標準屏幕下一級評論收起狀態(tài)最多展示字數(shù)67字）計算字數(shù)時小于67字按實際字數(shù)計算，大于等于67字時按67字計算。

為了控制開發(fā)成本，也為了增大各個分組的樣本量。我們在以上算法中挑出2種，原始算法與衍生5。來觀察不進行評論排序，Hacker News算法排序與衍生算法排序的評論數(shù)據(jù)情況，對比優(yōu)劣。將所有用戶根據(jù)用戶ID通過模3運算分為3個實驗組，分別展示不同的排序算法得出的評論列表。（如果用戶量較少不建議將所有用戶進行對比，分組容易產(chǎn)生特殊性）

同時由于節(jié)省計算資源：一段時間后的評論不再進行排序計算，按質(zhì)量分最高值為4000（當(dāng)前觀察到的最大質(zhì)量分）計算Score曲線如下：

算法的更新時效規(guī)則設(shè)置為：即約T>=80時分數(shù)趨近于0且隨時間的衰減變?nèi)醪⒖紤]資訊內(nèi)容的時效性，則3天后不再計算衰減，以第72個小時的分數(shù)為其最終得分（T最大值為72）。由于隨時間衰減為指數(shù)型變化，則T<=24時Score每10分鐘更新一次，24<T<=48時Score每30分鐘更新一次，48<T<=72時Score每60分鐘更新一次。

整體方案確定好之后就可以準備開發(fā)上線了。

第四步：線上ABtest與算法調(diào)參

算法上線后，需要隨時監(jiān)測各個對照組的數(shù)據(jù)情況，并對有疑惑的數(shù)據(jù)進行抽樣檢查，了解具體的文章與評論區(qū)案例。

經(jīng)過一段時間對比我們發(fā)現(xiàn)加入了回復(fù)，點贊和字數(shù)多個維度的衍生5算法用戶互動更為活躍。至此我們確定了一個基礎(chǔ)算法，在這之后繼續(xù)通過不斷調(diào)整算法的各項參數(shù)，例如重力因子，各指標影響占比等，進行對照試驗，試圖找出效果更優(yōu)秀的計算方式。

迭代展望與一些擴展內(nèi)容

以上就是一次完整的一次利用算法提升評論活躍的案例，最終在包括算法優(yōu)化以及新增功能等一些產(chǎn)品迭代的幫助下，產(chǎn)品的評論量增長了一倍多。

提升評論活躍還有很多可以做的工作，例如進行評論的運營：由運營手動或自動的發(fā)布一些評論內(nèi)容，或者對優(yōu)質(zhì)評論人工增加推薦權(quán)重；功能上支持發(fā)圖片或者有趣的大表情等。包括算法上也可以提出一些新的假設(shè)并進行驗證，或者加入自動調(diào)整參數(shù)的功能，隨時根據(jù)內(nèi)容情況調(diào)整算法參數(shù)與邏輯。評論區(qū)運營有一定效果后可以增加同時發(fā)送到社區(qū)（個人狀態(tài)）的功能，為社區(qū)引流，提升社區(qū)氛圍。以達到提升用戶粘性，促進留存的目的。以上僅是個人的一些拙見，在此拋磚引玉。

除了本文介紹的內(nèi)容，關(guān)于評論區(qū)還有一些其他的有趣的產(chǎn)品思路值得探究，例如蓋樓式評論區(qū)，樹狀式評論區(qū)，直線分支式評論區(qū)等。以及剛剛提到的幾種內(nèi)容排序算法。感興趣的同學(xué)可以查閱資料。

本文在編寫過程中較為倉促，難免疏漏煩請指出，虛心接受（求輕噴我還是個孩子）。同時為避免一些問題，省略了一些不重要的步驟，部分參數(shù)非真實值，請諒解。

作者：劉軒宇，從業(yè)2年半，前內(nèi)容網(wǎng)站用戶端產(chǎn)品經(jīng)理，Wechat：GraythornVi

本文由 @劉軒宇 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自Unsplash，基于CC0協(xié)議