本文針對剛起步與用戶量不大的UGC內(nèi)容社區(qū)，分享了兩種基于內(nèi)容熱度的推薦展示規(guī)則，同時(shí)結(jié)合了目前幾大UGC內(nèi)容社區(qū)案例進(jìn)行展示。

首先科普一下社交產(chǎn)品、社區(qū)產(chǎn)品、UGC、PGC的含義：

• 社交產(chǎn)品：以沉淀用戶關(guān)系鏈為主，體現(xiàn)在：如何讓用戶之間建立關(guān)系、保持關(guān)系、升華關(guān)系；
• 社區(qū)產(chǎn)品：以沉淀內(nèi)容為主，體現(xiàn)在：如何讓用戶生產(chǎn)、消費(fèi)內(nèi)容，如何為用戶呈現(xiàn)內(nèi)容；
• UGC：指用戶原創(chuàng)內(nèi)容平臺，如抖音、知乎、Instagram、小紅書、IN；
• PGC：指專業(yè)化、規(guī)?；a(chǎn)內(nèi)容的平臺，如愛奇藝、優(yōu)酷、早期的騰訊新聞。

UGC內(nèi)容社區(qū)信息流

以上分別為Instagram、小紅書、即刻的內(nèi)容信息流，分別代表了UGC內(nèi)容社區(qū)三類典型的布局方式：純圖片信息流、圖文縮略信息流、圖文詳情信息流，在數(shù)據(jù)層面它們都有一些相似特征：

• 每次下拉刷新內(nèi)容會(huì)變化；
• 內(nèi)容幾乎不會(huì)重復(fù)出現(xiàn)；
• 內(nèi)容的點(diǎn)贊、轉(zhuǎn)發(fā)、評論等數(shù)據(jù)都相對較高。

以上方App內(nèi)容信息流為示例，分享2個(gè)基于內(nèi)容熱度的推薦展示規(guī)則，適用于剛起步與用戶量不大的UGC內(nèi)容社區(qū)，拋磚引玉，僅供學(xué)習(xí)與交流。

熱度隨機(jī)曝光規(guī)則

方案目的：

• 熱度高的內(nèi)容應(yīng)得到高曝光；
• 盡可能多的向用戶曝光內(nèi)容；

應(yīng)用場景：

發(fā)現(xiàn)、推薦、探索類信息流。

上圖是小紅書的內(nèi)容詳情頁，包含有點(diǎn)贊、收藏、評論、轉(zhuǎn)發(fā)這些基本數(shù)據(jù)，所以我們需要拿到這些數(shù)據(jù)設(shè)計(jì)規(guī)則并進(jìn)行排序計(jì)算，如果想把規(guī)則做得更精準(zhǔn)，則可考慮把頁面停留時(shí)間、頁面跳出率等埋點(diǎn)數(shù)據(jù)納入計(jì)算。

熱度排序

• 首先判斷：點(diǎn)贊數(shù)高低，更高的靠前；
• 如果點(diǎn)贊數(shù)相等：判斷收藏?cái)?shù)，更高的靠前；
• 如果收藏?cái)?shù)相等：判斷轉(zhuǎn)發(fā)數(shù)，更高的靠前；
• 如果轉(zhuǎn)發(fā)數(shù)相等：判斷評論數(shù)，更高的靠前；
• 如果評論數(shù)相等：判斷發(fā)布時(shí)間，發(fā)布更早的靠前。

排序規(guī)則的判斷指標(biāo)、先后順序，都可以根據(jù)實(shí)際業(yè)務(wù)調(diào)整。

數(shù)據(jù)過濾

• 在所有作品中，取出發(fā)布時(shí)間在5天內(nèi)的作品，挑入備選池；
• 對備選池里所有的數(shù)據(jù)，使用熱度排序規(guī)則進(jìn)行排序計(jì)算；
• 取出排序后數(shù)據(jù)中排名前20%的作品，挑入曝光池；
• 如果排名前20%的作品數(shù)量，不足曝光池限定的最小數(shù)量如400，則應(yīng)把另外80%的作品，按排名依次填充到曝光池中，直到滿足最小數(shù)量要求。

如果不設(shè)定曝光池的最小數(shù)量限制，則可能導(dǎo)致計(jì)算后的數(shù)據(jù)不足，內(nèi)容無法飽和填充。

經(jīng)過以上步驟，就過濾出了社區(qū)中一段時(shí)間內(nèi)熱度較高的作品數(shù)據(jù)，其中5天，20%，400這3個(gè)參數(shù)，可根據(jù)實(shí)際業(yè)務(wù)調(diào)整。

刷新機(jī)制

• 方式1：每 x 小時(shí)執(zhí)行一次規(guī)則；
• 方式2：監(jiān)控新作品增量，當(dāng)增量達(dá)到 n 時(shí)，執(zhí)行一次規(guī)則。

數(shù)據(jù)返回

• 每次請求的數(shù)據(jù)，都隨機(jī)返回；
• 當(dāng)分頁數(shù)據(jù)被請求到末尾后，繼續(xù)從數(shù)據(jù)頭部開始返回，保持?jǐn)?shù)據(jù)循環(huán)展示。

保證每位用戶的每次信息流下拉操作，看到的都是隨機(jī)數(shù)據(jù)，提高了曝光池中每一份作品的曝光幾率。

如果有進(jìn)一步精細(xì)化曝光的需求，則可以考慮對熱度不同的作品分權(quán)重曝光，如在小紅書信息流的示例圖中，有8155點(diǎn)贊量的作品，也有30點(diǎn)贊量的作品。

方案2：歷史熱度排名規(guī)則

方案目的：根據(jù)熱度展示內(nèi)容與排名；

應(yīng)用場景：熱門類信息流。

熱度排序

• 首先判斷：點(diǎn)贊數(shù)高低，更高的靠前；
• 如果點(diǎn)贊數(shù)相等：判斷收藏?cái)?shù)，更高的靠前；
• 如果收藏?cái)?shù)相等：判斷轉(zhuǎn)發(fā)數(shù)，更高的靠前；
• 如果轉(zhuǎn)發(fā)數(shù)相等：判斷評論數(shù)，更高的靠前；
• 如果評論數(shù)相等：判斷發(fā)布時(shí)間，發(fā)布更早的靠前。

排序規(guī)則的判斷指標(biāo)、先后順序，都可以根據(jù)實(shí)際業(yè)務(wù)調(diào)整。

數(shù)據(jù)過濾

• 對社區(qū)中所有作品按熱度排序規(guī)則進(jìn)行排序計(jì)算，且要排除已進(jìn)入熱門池的作品；
• 取出排名前 x 名的作品，放入熱門池的子列表中；
• 子列表再放入父列表中，按照子列表的創(chuàng)建時(shí)間倒序排列；
• 如果當(dāng)前計(jì)算中發(fā)現(xiàn)無可用作品，則本次計(jì)算直接跳過，等待下一次計(jì)算；
• 如果整個(gè)平臺的可用作品數(shù)量 < x，則有多少就展示多少內(nèi)容。

刷新機(jī)制

• 方式1：每 x 小時(shí)執(zhí)行一次規(guī)則；
• 方式2：監(jiān)控新作品增量，當(dāng)增量達(dá)到 n 時(shí)，執(zhí)行一次規(guī)則。

該方案在目前的移動(dòng)互聯(lián)網(wǎng)中，實(shí)際應(yīng)用的場景已不多，但在少數(shù)web端的產(chǎn)品中如：虎嗅、36氪的信息流中，還能看到影子。

在目前的信息流展示策略中，最受認(rèn)可的實(shí)屬頭條系的興趣推薦算法，但對于普通企業(yè)來講建設(shè)成本極高，有興趣的朋友可以自行了解一下。

以上，拋磚引玉，歡迎指教，期待更多交流與學(xué)習(xí)。

本文由 @Ethan 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