分享关于知乎数据方面的一些工作

【指南】知乎已经四年了。在互联网世界里，知乎已经成为一个无可争议的高质量社区。然而，经过快速发展，如何管理、筛选和呈现这些大量信息（数据）已经成为一个难题。事实上，数据管理本身对任何社区都是一个巨大的挑战。以下是知乎联合创始人在七牛大会上关于知乎数据的演讲，稍作删减。大家好，我是知乎的李申申。第一，我想对主办方说：谢谢！感谢大家搭建这样一个专业的平台，让大家有机会聚在一起认真讨论数据这个话题。说实话，当我收到会议的邀请时，我第一次想到了这句话。正如Danariely所说，知乎也像许多面对大数据的人一样无知「年轻人」其中一个；虽然我们也在做一些与大数据相关的事情，但实际上相对肤浅。我听说今天在座的很多用户都是知乎用户，对知乎感兴趣，所以我会借此机会和大家分享一些关于知乎数据的工作。简单进入正题，先来看看知乎的基本数据。截至2015年7月，知乎社区注册用户2900万，月UV1.1亿，月累计页面浏览量3亿。现在知乎全站已经产生了大约620万个问题和近2000万个答案。用户总回答4、129、244、445字数，是大不列颠百科全书的近100倍，鹿鼎记的2580倍。除上述基本数据外，其他一些数字也在以让我们更快乐的速度发展。自知乎开放注册以来，我们截取了两个数据：1000多个同意的答案和1000多个单词的答案，看看它们的增长情况。可以看出，这两个数据都保持了相对稳定的增长趋势。再来看看这些用户日均获赞的数量。首先，必须注意的是，我们并不完全把这两个指标作为有价值的回答判断标准，但当用户愿意冷静下来，花时间写长文回答时，至少他的态度是认真的，符合知乎倡导的讨论理念。另一方面，知乎上的千赞代表了1000名知乎用户对此答案的认可和接受。除了2月份等过年期间的数据会稍微低一些，其他时候，这个数据的增长率基本保持在10%左右。基于话题的维度，我们随机抽取几个话题，看看最近的用户讨论趋势。这是心理学、互联网、经济和天津爆炸的话题。值得注意的是，当天津爆炸事件席卷了几乎所有的社交和舆论平台，引起爆炸性*时，知乎站其他专业话题的讨论仍在继续。同时，由于天津事件后续讨论中涉及心理学的问题很多，知乎站内心理学话题的热度也略有上升。总的来说，知乎更像是一个广场，各种热门时事讨论似乎都是广场中央的喷泉，吸引了游客和公众的*。与此同时，广场周围还有各种各样的酒吧、咖啡馆和茶馆，城市居民聚集在一起与知己交谈。知乎大V和知乎小白有很多知乎用户有疑问，只有早期用户同意知乎的社区概念，还是只有老用户容易获得认可和*？事实并非如此。让我们来看看下面的数据截图。横轴是时间变化。我们截取了2010年12月20日知乎内测以来2015年6月30日批准前1万的用户，并根据他们的注册时间和批准数量绘制图纸，以及日均批准数量的增长。你可以看到这些点的分布相对分散，这表明增长相对均匀。可见，即使是2015年刚加入知乎的人，也有很大的机会得到*和认可。这也表明，这些新用户也渴望仔细讨论和获得有价值的信息交换，这些用户也同意知乎的社区概念。一般的秘诀是，只要你继续参与讨论，并在你擅长的领域输出信息，你就能得到更多人的认可。如何生产知乎信息，如何流动？在前几张图中，我们已经了解了知乎百花齐放的话题和不断贡献的优质用户。让我们来看看知乎的信息生产模式。为了更加*这个问题，我们选择了最近的天津爆炸事件作为例子。从发展模式来看，热点话题与其他话题没有什么不同。但由于其新闻性，这类话题的发展更具爆发性，用户的行为更加集中。因此，我们做这样的展示也更方便。首先，一群用户*和回答问题，产生基本的高质量内容。然后，其他用户的自发邀请、*、收集、感谢、投票、评论等社会行为，使这些内容得到更广泛的传播和*，覆盖范围不断扩大。在知乎，社会行为催生了高质量内容的生产和传播，高质量内容引发了下一轮新的社会行为。用户兴趣识别如何使用大数据？用户在知乎的行为是多维的；它不仅包括相对较轻的浏览和阅读，还包括更重的认可和反对，以及更重的问答（这里的重量和轻量是根据用户的运营成本来定义的）。我们可以根据这些行为分析用户的特点，这也是每个互联网服务都会做的日常工作。只有根据不同的服务特点，我们才能分析不同的特点、算法和效果。除了大量的用户行为数据外，知乎还有大量的文本信息。基于行为和文本，我们可以更准确地识别用户的兴趣和擅长。在现实社会中，我们对某些领域的知识有着深刻的掌握，但其他领域可能不是。个人精力有限，没有人能全知成为各个领域的专家，这种情况可以映射到知乎上。不同的用户在不同的话题领域有不同的专业精神。我们需要掌握这种差异，为每个人计算每个话题下的权重。计算分数的主要依据是你在知乎上的回答。当然，我们也会添加一些其他的考虑因素，包括其他专业人士的认可、你的专业背景等。这是知乎非常基础的数据设施，但这个数值计算的量级并不小(百万回答用户10万个话题，是1000亿级别的数量计算)。知乎每周都会全量计算权重判断，一直在调整优化中。答案排序：如何更好地呈现？优化答案排序算法的目的是让好的答案更高。随着用户数量的不断增加，早期最简单的答案排名规则出现了问题：一些答案得到了更多的友好认可，使得专业性不足的答案被推到了最高的位置。我们想到了加权赞同票的方法，根据主题下每个人的专业权重来计算，排名优化，可以让大多数高质量的答案排在前面。虽然权重计算的优化仍在继续，但我们在算法上仍然遇到了一些瓶颈。当问题下有多个早期答案获得高票时，即使新答案的质量很高，也很难在问题页面上获得足够的曝光，很难积累更多的同意票，一些误导性、煽动性的高票内容，即使有很多反对票，仍然在严肃、严格但相对较少的高质量答案之前。在专业领域，这些问题对参与讨论的用户造成了特别明显的伤害。这绝不是我们想看到的。因此，我们设计了新的排序算法。新排序算法的想法是，如果向许多人展示一个答案并让他们投票，不同内容质量的答案将得到不同比例的批准和反对，最终得到反映内容质量的分数。当投票人较少时，答案的质量分数可以根据获得的票数进行估计。投票人越多，估计结果就越接近真正的分数。如果新答案得到1票认可0票反对，也就是说100%参与投票的用户选择认可，但是因为数量太少，分数不会太高。如果这个答案在一段时间内得到20次批准和1次反对，那么基于新算法，我们有信心把它放在另一个50次批准和20次反对的答案之前。原因是我们预测，当这个答案也得到50次同意时，反对数应该小于20次。威尔逊得分算法最好的特点是，即使我们错了前一步，现在新答案在前面，得到更多的显示，在得到更多的投票后，算法将修改自己，更准确地计算得分基于更多的投票数据，这样排名最终可以真正反映内容的质量。我们的新算法在年初发布后，得到了知乎站用户的热烈反馈，这也是制作知乎产品的好处。出现了许多专业的讨论，为我们的下一个优化提供了良好的想法。主页自我修养：内容个性化推荐主页内容将主要考虑这些方面：知乎主页有一套特殊的数据收集和处理机制，可以记录用户在主页上的所有重要行动，例如，如果用户浏览器窗口或手机屏幕上的内容，将记录一次。还有...知乎还有一些其他的数据优化，我举几个简单介绍的例子。1.邀请稍熟悉知乎的用户知道“谢谢”这个词。该产品的功能是为每个问题找到合适的答案并向用户推荐。我们采用算法模型来预测用户回答问题的可能性和质量。90%的邀请是通过这个推荐结果发出的，剩下的10%％每周由用户主动搜索生成的知乎精选邮件(eDM)通过不断的算法优化，我们对每个用户进行了个性化的计算，实现了30%的开启率和14%的点击率。2.众所周知，问题聚类想要聚类问题的文本。首先想到的是通过文本语义匹配和复杂的词袋模型(如传统的plsa)。LDA，新word2vec等)对问题文本进行向量化，使相关问题通过语义进行聚类。知乎站拥有庞大的用户浏览数据。如果通过简单的算法(如协同过滤)建立这些浏览数据，也可以取得很好的效果。知乎每天的问答浏览量可以达到1000万级，这意味着输入算法的useritem边数每天可以达到1000万以上，近三个月的浏览数据可以达到10亿边。在知乎的数据平台上建立模型需要近一个小时。从聚类结果可以看出，即使不使用任何与文本相关的分析，也可以通过用户浏览的行为分析很好地聚类问题。这也证实了基于大数据的简单算法比基于小数据的复杂算法更有效。