熱門推薦是互聯(lián)網(wǎng)產(chǎn)品中最常見的功能之一，比如“大家都在看”、“今日熱賣榜”這些在各大網(wǎng)站上都隨意可見，堪稱標(biāo)配。而其中推薦算法的好壞，則不僅密切關(guān)系著內(nèi)容對用戶的吸引程度，也同時反應(yīng)了產(chǎn)品對內(nèi)容的分發(fā)能力。

在一個產(chǎn)品中，如果不能及時發(fā)掘新鮮內(nèi)容，并將優(yōu)秀內(nèi)容傳播出去，甚至引爆，那么整個內(nèi)容生態(tài)也難以搭建起來。

雖然時下，大家更有興致討論的都是個性化推薦，但它并不適用于所有產(chǎn)品，尤其是初創(chuàng)的、小眾的產(chǎn)品。因為個性化推薦它必需依賴大量的用戶數(shù)據(jù)以及對內(nèi)容深入的挖掘，若不然強行個性化推薦只會適得其反。

這次，本文主要探討實用性更強熱度算法，它也并非想象中的簡單粗暴，反而有不少只屬于它的亮點。

本文不帶一個數(shù)字公式，可安心食用^_^

一、基本原理

其實，在熱度算法表層之下，還有不少的基礎(chǔ)原理在支撐著它，但在本文中將不先擴展，而是以最普遍運用的牛頓冷卻定律為例。

它的特點在于，引入了時間衰減的概念。

牛頓冷卻定律若用函數(shù)來代表，則為：

舉個例子：

當(dāng)一條微博產(chǎn)生后，隨著用戶的瀏覽、點贊、轉(zhuǎn)發(fā)、它的熱度逐漸攀升，進(jìn)入榜單。

但因為這條內(nèi)容本身具有時效性，如果不考慮這點，那么它可能長期霸榜，所以我們必須考慮到如何令它的熱度隨著時間的推移而衰減，從而令新的微博有機會取而替代，達(dá)到熱門榜單動態(tài)變化的效果。

二、影響因素

在理解熱度算法的基礎(chǔ)原理后，我們可以得知影響熱度計算的三個因素：

1.?原始熱度

首先是原始熱度，正如內(nèi)容千差萬別，再加上產(chǎn)品本身的定位、偏愛。

我們不太可能去為所有的內(nèi)容賦予同樣的初始熱度，就比如一個大V發(fā)的微博和一個好友發(fā)的微博，以及一個陌生小號發(fā)的微博，它們從一開始就難以相提并論。

而我們又該如何給每個內(nèi)容賦予不同的原始熱度呢？

可以從兩個維度出發(fā)：

（1）創(chuàng)作者，即創(chuàng)作這個內(nèi)容的人，也可以是機構(gòu)。

還是以微博為例，微博對用戶做了不少劃分，個人、垂直領(lǐng)域的知名博主、自媒體、機構(gòu)、企業(yè)、政府等等，不同類型的身份也隱含他們的創(chuàng)作能力和傳播價值。

所以在初始熱度的考量上，我們就會考慮是否讓大V用戶發(fā)表的新內(nèi)容更先一步的進(jìn)入熱榜。

當(dāng)然，其它產(chǎn)品就算不像微博那樣對用戶有明確的歸類，也可以利用一些基礎(chǔ)的用戶數(shù)據(jù)，比如：

• 注冊時長：是否激勵新用戶，還是優(yōu)待老用戶？
• 活躍程度：一個投入更多時間精力的常駐用戶是不是更大概率會創(chuàng)作出優(yōu)秀內(nèi)容？

（2）內(nèi)容屬性，則是從內(nèi)容本身出發(fā)，根據(jù)它的類別、字?jǐn)?shù)長度、豐富度、流行指數(shù)等有所側(cè)重。

就比如在熱門微博管理規(guī)范，就表示過含多張的圖片，含#話題的就會加重?zé)岫龋鴰怄湹?，已有相似?nèi)容的則會降低熱度。

具體哪些內(nèi)容該賦予更高的熱度，哪些內(nèi)容又該冷處理，關(guān)鍵看這個產(chǎn)品的內(nèi)容調(diào)性和氛關(guān)鍵可能看這個產(chǎn)品中主流用戶的偏愛，以及運營人員想營造什么樣的內(nèi)容生態(tài)。

2. 互動熱度

初始熱度這一因素雖然看上去具有極大的天然優(yōu)勢，但往往在實際推薦算法中也不會占據(jù)主要的地位。

比如就算是一條超級大V發(fā)的和一條普通用戶發(fā)的內(nèi)容，可能在初始熱度上差距也不會特別大，因為內(nèi)容是否真的夠好，還是要靠更廣泛的用戶來檢驗。

這也就是影響熱度的第二因素——互動熱度，這也是最為重要的，也可以理解為用戶的行為數(shù)據(jù)。

我們需要先定義哪些用戶行為可以提高這條內(nèi)容的熱度，像對一條微博的瀏覽、點贊、評論、轉(zhuǎn)發(fā)、分享等，都可以代表了用戶對它的感興趣程度。

同時需要注意的是，不同行為的權(quán)重應(yīng)該也是不同的。

比如，評論明顯比點贊更有誠意，所以我們在計算互動熱度時，可以對這些用戶行為進(jìn)行評級，瀏覽+1分，點贊+3分，評論+10分，轉(zhuǎn)發(fā)+15分，分享+15分。

且在實際產(chǎn)品運營過程中，我們還需要根據(jù)用戶規(guī)模、周期效應(yīng)不斷調(diào)整用戶的行為分，同時考慮如何反作弊，若規(guī)則太生硬，是不是就會被有心人利用，這點后面會再探討。

3.?隨時間衰減的熱度

由于大部分內(nèi)容是屬于一次消費型，用戶看過也就過了。若熱門推薦的榜單總是固定那幾條，他可能很快就覺得乏味，從而轉(zhuǎn)向別的產(chǎn)品。所以我們自然希望內(nèi)容能不斷更新，而若只看初始熱度+互動熱度，那么后來者必定很難超越前者。

所以，我們還需要考慮另一個因素——隨時間衰減的熱度。

以社會熱點來說，往往一件事情的時效性是在24小時內(nèi)。

比如一項政策出臺，大家都在關(guān)注，若不能及時推送，用戶很可能已從別的渠道得知；而新鮮勁一過，這條內(nèi)容再占著榜單也少有人問津了。

所以我們可以制定一個策略，這個內(nèi)容在發(fā)布后，隨著時間的推移，熱度也開始逐步衰減。

同時需要注意的是，時間衰減通常不是線性的。

畢竟結(jié)合現(xiàn)實情況來看，一條新內(nèi)容產(chǎn)生后，我們可能先需要幾個小時去傳播它，看看它的熱度反應(yīng)。

在剛開始這期間，可以不必過多的去考慮時間衰減；而到了有效傳播期之后，比如一條新聞過了24小時，那么我們就可以加重時間衰減的因素，盡量不讓用戶看到昨天的新聞。

三、如何進(jìn)行人為干預(yù)：調(diào)整權(quán)重

上述的內(nèi)容已經(jīng)講完了熱度算法的核心內(nèi)容，通過理解原理和三大影響因素，相信大家已經(jīng)可以嘗試去設(shè)計一套適合自家產(chǎn)品的熱度算法了。

不過，在實際的內(nèi)容運營中，哪怕一套算法再可靠，我們有時候還是難免想要進(jìn)行一些人工干預(yù)。

這就涉及到了我們常用的一個手段：調(diào)整權(quán)重。

我們可以將權(quán)重這一因素，擴展到熱度算法中，如：

然后在運營后臺中，開放對內(nèi)容進(jìn)行加權(quán)、降權(quán)的功能。

權(quán)重調(diào)整其實另一方面也可以彌補熱度算法的不足，因為通過傳播去獲取熱度總是需要一定時間，可能沒辦法應(yīng)對突發(fā)的大熱點，而也有某些內(nèi)容明明在被持續(xù)關(guān)注著，但卻不得不隨著時間衰減退出熱榜。

四、偶然和極端

其實，除了上述我們預(yù)先規(guī)定好的因素外，還會有一些偶然的元素可能會影響到熱度算法。

比如，一條內(nèi)容在產(chǎn)品往往不止在熱榜中可見，我們還會通過其它的方式去傳播它，比如開屏、PUSH等，這些都會帶來巨量的熱度提升，而不是它自身在熱榜里競爭所得，若不剔除這些偶然因素，則熱榜的前幾名很有可能就充滿了運營導(dǎo)向的味道。

而且，在設(shè)計熱度算法時，需要多考慮極端情況，比如若在網(wǎng)站流量不大的情況下，一條初始熱度最高的內(nèi)容，是不是可能永久無法被初始熱量最低的內(nèi)容超越？

五、反作弊

在一些知名產(chǎn)品中，熱門榜單往往伴隨著數(shù)據(jù)造假，如果我們不能有效的反作弊，那么所謂熱榜則相當(dāng)于名存死亡，成了營銷者的聚集之地。

而至于如何反作弊呢，此文篇幅有限，不做深入，就先拋磚引玉下，比如：

1. 將不同用戶對互動熱度的貢獻(xiàn)再次分級

前文提到了我們需要對用戶的不同行為分級，貢獻(xiàn)不同的互動熱度；現(xiàn)在考慮到許多刷數(shù)據(jù)者使用都是批量小號，具有一些區(qū)別于正常用戶的特征，比如注冊時長慢，活躍度低。

那我們就可以對用戶進(jìn)行分群，比如新用戶的點贊+0.3分，正常用戶的點贊+1分，從而抬高了數(shù)據(jù)造假的難度和成本。

2.?實時監(jiān)控異常數(shù)據(jù)，若發(fā)現(xiàn)違規(guī)，將人工降權(quán)

因為數(shù)據(jù)造假是很難模擬出像優(yōu)秀內(nèi)容那樣的熱度上升曲線，所以可以通過監(jiān)控數(shù)據(jù)波動，來判斷這條內(nèi)容是否為自然增長，若察覺存在違規(guī)現(xiàn)象，則運營可以通過降權(quán)進(jìn)行處罰。

六、抖音視頻的推薦算法

講完枯燥的理論，最后，再給大家分享下抖音是如何做內(nèi)容推薦的，希望能幫助你更好的理解熱度算法。

首先，抖音有一個流量池的概念，不論新人還是網(wǎng)紅，當(dāng)用戶新發(fā)一條視頻后，抖音都會將它推薦給一定的人，即啟動流量，可能是300-1000人。

然后根據(jù)這條視頻在流量池內(nèi)的數(shù)據(jù)表現(xiàn)，比如完播率、點贊率、評論數(shù)、轉(zhuǎn)發(fā)率等，再來決定是否要將這條視頻推薦給更多人。

而在數(shù)據(jù)達(dá)標(biāo)之后，抖音會再將這條視頻引向更大的流量池，讓新的1W-10W人看到，即疊加推薦，以此類推，數(shù)據(jù)越好，疊加越多的流量。

同時，上述所說的流量池是有區(qū)間的，決定具體數(shù)值，則就是上述影響因素的概念。

抖音里的影響因素是哪些呢？

• 從創(chuàng)作者來看，比如注冊信息、粉絲數(shù)、歷史視頻數(shù)、以往成績等。
• 從內(nèi)容來看，比如視頻畫質(zhì)、是否原創(chuàng)、是否獨特等。

總結(jié)下，熱度算法運用到具體產(chǎn)品中，并非要死板的照搬公式，而且要結(jié)合運營模式，也可以多點變通，就比如抖音，它將內(nèi)容推薦設(shè)計成了階段性的熱度試探，這種做法別出心裁，效果也很不錯。

本文由 @貓丸 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自Unsplash，基于CC0協(xié)議