产品经理必知的推荐算法二三事

编辑导语：如今在互联网的大数据下，很多功能和信息是通过算法进行推荐的，比如每个人的淘宝推荐里，可能都是一些自己感兴趣的东西，这就是根据推荐算法做到的；本文作者说明了产品经理需要知道的推荐算法，我们一起来看一下。

本文插图
【产品经理必知的推荐算法二三事】最近在了解推荐算法相关的东西，翻了一些资料，对常见的推荐算法有了一些基本的了解，就想着和大家分享下。
先来回顾一下互联网诞生到目前为止，我们寻找信息的方式变化——最早期的时候，信息是比较稀缺的，那个时候信息比较分散，寻找的效率也较低，主要是人找信息。
后来信息逐渐丰富起来了，有些人或者公司专门把各种信息聚集在一个地方，人们可以通过类目导航进行查找，典型的公司是三大门户。
再后来信息量越来越大，人工添加的类目已经不能覆盖所有信息了，于是诞生了另外一种信息获取方式——搜索，典型的公司是Google、百度。
再再后来，人与信息的关系从单向的人找信息演变成了现在的双向关系，人找信息，同时信息也在找人，在谈到信息找人的时候，就不得不提到推荐算法了。
本文会简单的说明热度算法、协同过滤、基于内容的推荐和混合方法这几种推荐算法…
鉴于主页君对算法的了解并不是特别多，所以只是简单的原理说明，不涉及到实操。
一、热度算法
说到热度算法有些人可能比较陌生，换个词大家应该就知道了，那就是排行榜。
排行榜按照我们的理解就是一个榜单，按照某种规则给出1到N的排名，我们优先去选择榜单上排名比较靠前的东西。
热度算法也是类似的原理，基于某些规则计算一个热度分，然后取TopN；此外可能还会有一些人工干预的成分，比如加精、编辑推荐等等。
热度算法的计算公式可以简单的参考下面这个基础公式：
热度分=初始热度分+用户行为交互分-时间衰减分
其中初始热度分又可以分为两部分，一部分是基础分值，一部分是加权或者降权。
基础分值指的是本身计算出来的分值，以一篇文章为例，包含了作者信息、文章信息；那相关的元素就有作者等级、是否认证、历史发文情况、历史文章数据表现情况、文章长度、图片数量、关键词等。
基于上面这些相关元素，可以计算出一个基础分值，然后再结合着一些加权或者降权处理就能计算出来一个初始的热度分。
加权项可能有干货类加权，新人投稿加权，运营干预加权等等，降权项可能包含XX过于热门降权、包含XX关键词降权、涉嫌抄袭降权等等。
计算出一个初始的热度分之后，取TopN出来就可以推荐给用户了。
用户行为交互分指的是这个东西推荐给用户之后的一些反馈，常见的反馈主要分为两种，分别是正反馈和负反馈。
正反馈是常见的点击、转发、评论、收藏、赞，基于用户的这些行为表现再对内容重新进行分值计算，这里面各个行为的权重是不同的，具体权重需要结合业务属性进行确定。
负反馈是用户明确表现不来不喜欢推荐的行为，比如减少类似推荐，基于得到的负反馈信息，对分值进行一些减分处理。
时间衰减指的是分值会随着时间进行衰减，避免旧内容的热度分一直很高，新内容无法露出。一般会采用牛顿冷却定律，说人话就是非线性衰减。

本文插图
热度算法大致就是上面说的这样，比较容易实现，适合做冷启动用，缺点是千人一面，没办法做个性化的分发，而且新内容比较难露出。