今日头条的走红带动了“个性化保举”的概念，自此之后，内容型的产品，个性化算法就逐渐从卖点变为标配。

陪同着“机器学习”，“大数据”之类的热词和概念，产品的档次瞬间提高了很多。而各种保举算法绝不但仅是研发本身的任务，作为产品经理，必需深入到算法内部，参与算法的设计，以及结合内容对算法不停“调教”，才能让产品的保举算法不停完善，最终与本身的内容双剑合璧。

本文以新闻产品为例，结合了我之前产品从零积累用户的经验，整理了作为PM需要了解的基本算法知识和实操。

算法的发展阶段

个性化保举不是产品首次发布时就能带的，无论是基于用户行为的个性化，还是基于内容相似度的个性化，都建立在大量的用户数和内容的基础上。产品发布之初，一般两边的数据都有残缺，因此个性化保举也无法开展。

所以在产品发展的初期，保举内容一般采用更加聚合的“热度算法”，顾名思义就是把热点的内容优先保举给用户。虽然无法做到基于兴趣和习惯为每一个用户做到精准化的保举，但能覆盖到大部分的内容需求，并且启动成本比个性化保举算法低太多。

因此内容型产品，保举在发布初期用热度算法实现冷启动，积累了必然量级以后，才能逐渐开展个性化保举算法。

热度算法

1、热度算法基来源根基理

需要了解的是，热度算法也是需要不停优化去完善的，基来源根基理：

新闻热度分 = 初始热度分 + 用户交互产生的热度分 – 随时间衰减的热度分

Score = S0 + S（Users） – S（Time）

新闻入库后，系统为之赋予一个初始热度值，该新闻就进入了保举列表进行排序；随着新闻不停被用户点击阅读，保藏，分享等，这些用户行为被视作帮手新闻提升热度，系统需要为每一种新闻赋予热度值；同时，新闻是有较强时效性的内容，因此新闻发布之后，，热度必需随着新闻变得陈旧而衰减。

新闻的热度就在这些算法的综合作用下不停变革，保举列表的排序也就不停变革。

2、初始热度不该该一致

上面的算法为每一条入库的新闻赋予了同样的热度值，但在现实使用后发现行欠亨，例如娱乐类别比文化类别受欢迎程度自己就高很多；或者突发了严重的灾害或变乱；或是奥运会期间，体育类另外关注度突然高了起来；而此时如果还是每条新闻给同样的热度就不能贴合实际了。

解决措施就是把初始热度设置为变量：

（1）根据新闻类别给予新闻差别的初始热度，让用户关注度高的类别获得更高的初始热度分，从而获得更多的曝光。

例如：

（2）对于重大事件的报道，如何让它入库时就有更高的热度，我们采用的是热词匹配的方式。

即对大型新闻站点的头条，Twitter热点，竞品的头条做监控和扒取，并将这批新闻的关键词维护到热词库并连结更新；每条新闻入库的时候，让新闻的关键词去匹配热词库，匹配度越高，就有越高的初始热度分。

这样处理后，重大事件发生时，Twitter和门户网站的争相报道会导致热词集中化，所有匹配到这些热词的新闻，即报道同样事件的新闻，会获得很高的初始热度分。

3、用户行为分规则不是固定不乱的

解决了新闻入库的初始分之后，接下来是新闻热度分的变革。先要明确用户的的哪些行为会提高新闻的热度值，然后对这些行为赋予必然的得分规则。

例如对于单条新闻，用户可以点击阅读（click），保藏（favor），分享（share），评论（comment）这四种行为，我们为差别的行为赋予分数，就能得到新闻的实时用户行为分为：

S（Users） = 1*click + 5*favor + 10*comment + 20*share

这里对差别行为赋予的分数为1,5,10,20，但这个值不能是一成不乱的；当用户规模小的时候，各项事件都小，此时需要提高每个事件的行为分来提升用户行为的影响力；当用户规模变大时，行为分也应该慢慢降低，因此做内容运营时，应该对行为分不停调整。

当然也有偷懒的措施，那就是把用户规模考虑进去，算固定用户数的行为分，即：

S（Users） = （1*click + 5*favor + 10*comment + 20*share）/ DAU * N（固定数）

这样就保证了在差别用户规模下，用户行为产生的行为分基本不变。

4、热度随时间的衰减不是线性的