「算法」从0到1，基于内容的推荐算法的产品设计( 二 ) |工业设计|头排看客|

单个内容评分得分 = (总内容的平均得分 * C系数) + 单个产品的评分总和) / (当前内容的评分次数+ C系数)
C系数为每个内容的被评分的平均次数，即C=所有内容被评论的总次数/所有内容数量。例如：总共有1000个文章一共被评论了50000次，那C就等于50000/1000=50 。
小例：

本文插图
（贝叶斯平均法评估示例）
结论：以贝叶斯平均为依据的排序更能反应真实的情况，打分次数多且评分较高的产品会更加靠前，打分次数多评分较低的产品则会更加靠后，与单纯依据每个产品的平均分排序相比，这种结果更有意义。
C-用户质量模块评分
用户质量根据后台人工标识用户属性加上其发帖质量2个维度构成。

本文插图
2. 用户喜好评分公式用户行为记录是获取用户相关推荐的主要依据，初期是根据用户关注、浏览喜好以及用户搜索关键词对用户喜好进行统计，基本的逻辑如下：

本文插图
【「算法」从0到1，基于内容的推荐算法的产品设计】喜好评分=浏览喜好分类*0.6+关注人内容*0.4 +搜素内容分类*0.0
（系数可根据业务情况自行调整，起始分为100）

本文插图
举例说明：
（1）通过用户的浏览记录，获得用户的喜好标签

本文插图
那么对于同一分类下的内容按照公式增加喜好值。
（2）获取用户的关注用户，获得喜好标签

本文插图
那么对于关注用户下的内容按照公式增加喜好值。
（3）如果内容1属于分类A ，并且是用户D创建的，这个内容对于用户来说就是两个权重值相加 =查看内容分类*0.6+关注人内容*0.4
四、前端展示权重设计通过质量评分和用户喜好评分，我们能得到以内容为主。针对不同用户的内容质量和喜好评分值，那么就可以得到一个简单的推荐逻辑（推荐列表）：按照用户喜好评分推荐质量评分较高的内容，若得分相同则按内容创建时间倒序排列进行推荐。
但在实际推荐中除了保证用户喜好外，需要尝试去中心化的内容展示模式，所以最终展示的推荐内容，应该来自三个模块：
A、用户喜好列表：通过用户喜好评分，为用户推荐内容评分质量较高的内容，这是主要推荐内容。
推荐逻辑：先对内容按照用户喜好值进行从高到低的排序，再喜好值A以上的内容中依次健康值高于阀值B、阀值C、阀值D的内容随机推荐，低于阀值D不进行推荐。
B、高质量非喜好列表：用户喜好值低于某个阀值但内容流量评分较高的内容。
C、初始流量推荐列表：通过用户喜好评分，为用户推荐内容质量审核过但流量不高的内容。

本文插图
老用户算法为：Score=A*0.7+B*0.2 +C*0.1（系数可根据业务情况自行调整）
其中0.7、0.2、0.1位A、B、C为三大模块初始系数，它受到时间效应变化。
新用户冷启动的算法为：ScoreL= B*0.9 +C*0.1
其中B模块直接调用流量池健康评分。
注意：喜好评分和健康值相同时，随机选取加载量，在同一轮加载过程中同一信息需要剔重。