做好内容推荐，不要只是照搬算法公式。

在产品中，如果不能及时探索新内容，传播甚至引爆优秀内容，就很难构建整个内容生态。虽然现在大家都对讨论个性化推荐更感兴趣，但并不适合所有产品，尤其是初创产品和小众产品。因为个性化推荐必须依靠大量的用户数据和对内容的深入挖掘，否则强制个性化推荐只会适得其反。这一次，本文主要讨论了更实用的热算法，它并不是想象中的简单和粗糙，而是有许多只属于它的亮点。本文没有数字公式，可以轻松食用^_^1。事实上，在热算法的表面下，有许多基本原理支持它，但它不会首先扩展，而是以最常用的牛顿冷却定律为例。其特点是引入了时间衰减的概念。如果用函数代表牛顿冷却定律，则为：热=初始热 互动热度–例如，随着时间的推移，微博产生时，用户的浏览、喜欢、转发、热度逐渐上升，进入榜单。然而，由于内容本身具有及时性，如果不考虑这一点，它可能会长期占据榜单，因此我们必须考虑如何随着时间的推移降低其受欢迎程度，以便新的微博有机会取代它，以实现热门列表的动态变化。在了解了热算法的基本原理之后，我们就可以知道影响热算法的三个因素：1. 原始热度首先是原始热度，就像内容千差万别一样，再加上产品本身的定位和偏好。我们不太可能给所有内容同样的初始热度，比如一个大V发的微博，一个朋友发的微博，一个陌生的小号发的微博，从一开始就很难相比。我们应该如何给每个内容不同的原始热度？可以从两个维度入手:(1)创作者，即创作这个内容的人，也可以是组织。以微博为例。微博对用户、个人、垂直领域的知名博主、自媒体、机构、企业、政府等进行了大量划分。不同类型的身份也隐含着他们的创造力和沟通价值。因此，考虑到最初的热度，我们将考虑是否让大V用户发布的新内容更先进入热门列表。当然，即使其他产品没有像微博那样对用户进行明确的分类，他们也可以使用一些基本的用户数据，比如注册时间：是激励新用户还是对老用户给予优惠？活动：投入更多时间和精力的常驻用户是否更有可能创建优秀的内容？(2)内容属性，根据其类别、字数长度、丰富度、流行指数等，从内容本身出发。例如，在流行的微博管理规范中，它意味着包含多张图片，包含#主题的图片会增加热量，而包含外部链的图片，有类似内容的图片会降低热量。具体内容应该给予更高的热度，哪些内容应该冷处理，关键取决于产品的内容基调和氛围，关键可能取决于产品中主流用户的偏好，以及运营商想要创建什么样的内容生态。2.虽然互动热初始热的因素看起来有很大的自然优势，但在实际推荐算法中往往不占主导地位。例如，即使是超大V发送的内容和普通用户发送的内容，初始热度之间的差距也可能不是特别大，因为内容是否真的足够好仍然取决于更广泛的用户来测试。这是影响热量的第二个因素——互动热，这也是最重要的，也可以理解为用户的行为数据。我们需要首先定义哪些用户行为可以提高这些内容的受欢迎程度，如浏览、大拇指、评论、转发、分享微博等，可以代表用户对它的兴趣。同时，需要注意的是，不同行为的权重也应该不同。比如评论明显比点赞更真诚，所以在计算互动热度时，可以对这些用户行为进行评级和浏览 1分，点赞 3分，评论 10分，转发 15分，分享 15分。此外，在实际的产品操作过程中，我们还需要根据用户的规模和周期效应不断调整用户的行为点，并考虑如何反作弊。如果规则太僵硬，它是否会被感兴趣的人使用，这将在稍后讨论。3. 随着时间的推移，热量下降，因为大部分内容都是一次性消费，用户看过就过去了。如果热门推荐的列表总是固定的，他可能会很快感到无聊，从而转向其他产品。因此，我们自然希望内容能够不断更新，如果只看初始热度的话 互动热，那么后来者一定很难超越前者。因此，我们还需要考虑另一个因素——随着时间的推移，热量下降。就社会热点而言，一件事的及时性往往在24小时内。例如，当一项政策出台时，每个人都在关注它。如果不能及时推送，用户很可能已经从其他渠道了解到；新鲜感一过，很少有人关心这个内容再次占据榜单。所以我们可以制定一个策略，随着时间的推移，热量开始逐渐下降。同时，需要注意的是，时间衰减通常不是线性的。毕竟，结合现实，在一个新的内容产生后，我们可能需要几个小时来传播它，看看它的热反应。在这段时间的开始，你不必考虑太多的时间衰减；在有效的沟通期之后，例如，在24小时后，我们可以加剧时间衰减的因素，尽量不要让用户看到昨天的新闻。3、如何进行人为干预：以上内容的权重调整已经完成了热算法的核心内容。通过理解原理和三个影响因素，我相信您可以尝试设计一套适合您自己产品的热算法。然而，在实际的内容操作中，即使一套算法是可靠的，我们有时也不可避免地想要进行一些人工干预。这涉及到一种常用的方法：调整权重。我们可以将权重因素扩展到热算法，如：热=初始热 互动热度–热量随着时间的推移而衰减 /-权重，然后在操作背景中打开内容加权降权的功能。另一方面，权重调整也可以弥补热算法的不足，因为通过传播获得热量总是需要一段时间，可能无法应对突然的热点，有些内容显然继续关注，但不得不随着时间的推移退出热列表。事实上，除了上述我们提前规定的因素外，还有一些偶然的元素可能会影响热算法。例如，产品中的内容往往不仅可以在热门列表中看到，我们还将通过其他方式传播，如打开屏幕、PUSH等，这将带来巨大的热量，而不是它自己在热门列表中的竞争收入，如果不消除这些意外因素，热门列表的前几名很可能充满了以操作为导向的味道。此外，在设计热算法时，我们需要考虑更多的极端情况。例如，如果网站流量不大，初始热量最高的内容可能永远不会超过初始热量最低的内容吗？5、在一些知名产品中，热门名单往往伴随着数据欺诈。如果我们不能有效地反作弊，那么所谓的热门名单就相当于名存死亡，成为营销人员的聚集地。至于如何反作弊，本文篇幅有限。如果我们不深入，我们将首先抛砖引玉。例如，1.将不同用户对互动热度的贡献重新分类。上面提到，我们需要对用户的不同行为进行分类，并贡献不同的互动热度；现在考虑到许多刷数据的人使用批量小号，这与正常用户有一些不同，如注册时间慢、活动性低等特点。然后我们可以对用户进行分组，比如新用户的表扬 0.3分，正常用户点赞 1分，从而增加了数据欺诈的难度和成本。2. 实时监控异常数据。如果发现违规行为，很难模拟像优秀内容这样的热上升曲线，因此可以通过监控数据波动来判断该内容是否自然增长。如果发现违规行为，操作可以通过减少权力来处罚。6、抖音视频的推荐算法完成了枯燥的理论。最后，让我们与您分享抖音是如何推荐内容的。我希望它能帮助你更好地理解热算法。首先，抖音有一个流量池的概念。无论是新人还是网络名人，当用户发送新视频时，抖音都会向某些人推荐，即启动流量，可能是300-1000人。然后根据该视频在流量池中的数据性能，如完成率、喜欢率、评论数量、转发率等，决定是否向更多的人推荐该视频。数据达到标准后，抖音将视频引入更大的流量池，让新的1W-10W人看到，即叠加推荐，等等，数据越好，流量叠加越多。同时，上述流量池有区间，决定具体值是上述影响因素的概念。抖音的影响因素是什么？从创作者的角度来看，如注册信息、粉丝数量、历史视频数量、以往成绩等。从内容上看，如视频画质、原创性、独特性等。综上所述，当热算法应用于特定产品时，它不应该是一个僵化的复制公式，而应该与操作模式相结合。例如，抖音将内容推荐设计成分阶段的热测试。这种做法是独特的，效果也很好。