以圖片社區(qū)為例，結(jié)合我的實(shí)踐經(jīng)驗(yàn)，從待解決問題、輸入、計(jì)算邏輯、輸出四要素，拆解熱度算法如何設(shè)計(jì)。

一、背景

在內(nèi)容社區(qū)中，熱度算法是基于實(shí)際用戶反饋行為，比如內(nèi)容的點(diǎn)贊、收藏等數(shù)據(jù)，而實(shí)時(shí)計(jì)算得到的分?jǐn)?shù)。熱度算法用于衡量?jī)?nèi)容的流行度，做對(duì)應(yīng)的質(zhì)量評(píng)估。這里的“質(zhì)量”，更多代表的是內(nèi)容受用戶歡迎程度。熱度高，表示當(dāng)前內(nèi)容受更多用戶歡迎，十分流行；熱度低，表示圖片較為冷門。

熱度算法為了解決什么問題而存在？

它是為了從龐大的內(nèi)容庫(kù)中，簡(jiǎn)單高效地發(fā)現(xiàn)大多數(shù)人喜歡的頭部?jī)?nèi)容，推薦給其他用戶，從而滿足他們的內(nèi)容需要。《烏合之眾》提到，人們?cè)谌后w生活中，多有從眾心理，偏好大多數(shù)人的選擇。熱度算法正是應(yīng)用了大眾心理，熱度反映的是社區(qū)內(nèi)部用戶大多數(shù)的口味偏好。

二、價(jià)值

熱度算法的價(jià)值在哪里？

維持老用戶的活躍度。熱度算法能夠讓老用戶最高效地獲取頭部?jī)?nèi)容，及時(shí)感知到當(dāng)前社區(qū)的熱點(diǎn)。

以新浪微博為例，熱搜榜憑借熱度算法，快速挖掘熱點(diǎn)新聞，讓用戶獲取實(shí)時(shí)熱點(diǎn)，帶動(dòng)了新浪微博整體的活躍度。吃瓜群眾喜歡的娛樂圈八卦，如若干明星出軌事件，在熱搜爆出后，讓服務(wù)器幾度宕機(jī)。

提高新用戶的留存率。熱度算法呈現(xiàn)的是社區(qū)最流行的內(nèi)容，這能夠讓新用戶第一時(shí)間感知社區(qū)作品的優(yōu)質(zhì)程度，大概率滿足他們的內(nèi)容需要，增加留下來的可能性。

以攝影社區(qū)圖蟲和視頻社區(qū)B站為例，熱門Tab的優(yōu)先級(jí)很高，把當(dāng)前最熱的內(nèi)容呈現(xiàn)給新用戶，對(duì)提升留存是有很大幫助的。

三、算法

以圖片社區(qū)為例，結(jié)合我的實(shí)踐經(jīng)驗(yàn)，從待解決問題、輸入、計(jì)算邏輯、輸出四要素，拆解熱度算法如何設(shè)計(jì)。請(qǐng)記住，以下思路是可以復(fù)用的，不止是圖片，其他形式的內(nèi)容如文章、視頻、音頻都適用。需要注意的是，輸入及計(jì)算邏輯需要結(jié)合你的具體產(chǎn)品和業(yè)務(wù)背景而定。

1. 待解決問題及期望輸出

在熱度算法中，待解決問題是如何量化圖片在社區(qū)中的流行度。

期望輸出熱度排序，用于排行榜或基于一定規(guī)則下發(fā)至用戶端。

2. 輸入

從圖片的生命周期來看，一張圖片會(huì)經(jīng)過四個(gè)階段：剛發(fā)布、被其他用戶消費(fèi)互動(dòng)、被官方推薦、成為舊圖片。依此，我們可以考慮圖片熱度S拆分為三部分組成：

• S1-初始分，指圖片剛發(fā)布，沒有任何消費(fèi)互動(dòng)時(shí)，賦予一定的初始分?jǐn)?shù)。
• S2-受歡迎分，指圖片發(fā)布后，被其他用戶消費(fèi)互動(dòng)，具備一定的受歡迎分?jǐn)?shù)。
• S3-推薦分，指官方運(yùn)營(yíng)可以對(duì)圖片進(jìn)行正負(fù)推薦，做一定的人工干預(yù)。

其中，正推薦可以對(duì)分?jǐn)?shù)低但具備潛力的圖片給予扶持，負(fù)推薦可以對(duì)分?jǐn)?shù)高但不符合社區(qū)規(guī)范的圖片進(jìn)行抑制。

這三個(gè)子分?jǐn)?shù)的輸入來源，可以結(jié)合以下考慮：

• 初始分S1：用過往圖片被精選次數(shù)或該用戶的身份權(quán)重。由于我所在的產(chǎn)品，精選是由運(yùn)營(yíng)判斷的，相對(duì)質(zhì)量較好，而用戶的身份如達(dá)人等相對(duì)缺乏持續(xù)運(yùn)營(yíng)，所以我選取精選數(shù)作為核心指標(biāo)。
• 受歡迎分S2：在一定展示量下，該圖片被點(diǎn)贊、評(píng)論、收藏、分享的次數(shù)/人數(shù)。以上是較為常規(guī)的關(guān)鍵指標(biāo)，如果你的產(chǎn)品有其他更為關(guān)鍵的行為，可以做對(duì)應(yīng)增刪。
• 推薦分S3：S1和S2是圖片本身自帶的數(shù)據(jù)，而S3則是預(yù)留了一個(gè)運(yùn)營(yíng)干預(yù)的口子。這里的分?jǐn)?shù)，可以做對(duì)應(yīng)的運(yùn)營(yíng)輔助后臺(tái)，由運(yùn)營(yíng)同事手動(dòng)設(shè)置。正推薦則加分，負(fù)推薦則減分。

3. 計(jì)算邏輯

3.1 未考慮時(shí)效性的熱度計(jì)算

• 圖片熱度S=初始分S1+受歡迎S2+正推薦分S3-1+負(fù)推薦分S3-2；
• 初始分S1=SUM（該用戶過往圖片被精選次數(shù)），精選次數(shù)封頂值為max；
• 受歡迎分S2=(h1*點(diǎn)贊數(shù)+h2*評(píng)論數(shù)+h3*收藏?cái)?shù)+h4*分享數(shù))/展示數(shù)，h1-h4為該行為的單次得分項(xiàng)，分?jǐn)?shù)越高，表示該行為對(duì)內(nèi)容更重要；
• 正推薦分S3-1=運(yùn)營(yíng)設(shè)定值，為正數(shù)；
• 負(fù)推薦分S3-2=運(yùn)營(yíng)設(shè)定值，為負(fù)數(shù)。

以上是未考慮時(shí)效性的分?jǐn)?shù)計(jì)算，當(dāng)圖片成為舊圖片時(shí)，我們更希望它能夠?yàn)槠渌聢D片讓位。也就是熱度降低，熱度與時(shí)間成負(fù)相關(guān)關(guān)系。這時(shí)候我們引入時(shí)間衰減函數(shù)，對(duì)S1、S2和S3分別考慮時(shí)間的影響。

3.2?考慮時(shí)效性的熱度計(jì)算

業(yè)內(nèi)通用的時(shí)間衰減函數(shù)，是牛頓冷卻定律。偉大的牛頓發(fā)現(xiàn)，物體的溫度在冷卻到與室溫一致時(shí)，溫度變化并不是線性的，而是指數(shù)衰減。這個(gè)定律也被互聯(lián)網(wǎng)的小伙伴跨界應(yīng)用到熱度算法。

公式表示為F（T）=e^[-k*(T-T0)]，e是自然常數(shù)2.718，k為冷卻系數(shù)，（T-T0）為時(shí)間間隔，T為當(dāng)前時(shí)間，T0為起始時(shí)間。k越大，衰減越快；k越小，衰減越慢。

k值如何確定？假設(shè)熱度從100變成1，用了24小時(shí)（全衰期），可以視為基本衰減完畢，即F（T）=0，T-T0=24，依此可以求得k值。計(jì)算時(shí)需要注意時(shí)間單位，統(tǒng)一換算為時(shí)間戳。在實(shí)際的落地中，難度在于如何確定全衰期。這個(gè)應(yīng)該根據(jù)實(shí)際的業(yè)務(wù)需要去判定，比如新聞的全衰期一般為24小時(shí)，比較注重實(shí)效性；而其他業(yè)務(wù)，對(duì)于時(shí)效性要求不高，可以將全衰期適當(dāng)延長(zhǎng)。

加上時(shí)間衰減后，我們可以更新S1-S3的公式如下：

• 初始分S1=SUM（該用戶過往圖片被精選次數(shù)）*F1（T），精選次數(shù)封頂值為max
• 受歡迎分S2=(h1*點(diǎn)贊數(shù)+h2*評(píng)論數(shù)+h3*收藏?cái)?shù)+h4*分享數(shù))/展示數(shù)*F2（T）
• 正推薦分S3-1=運(yùn)營(yíng)設(shè)定值*F3（T），為正數(shù)
• 負(fù)推薦分S3-2=運(yùn)營(yíng)設(shè)定值，為負(fù)數(shù)

其中，F(xiàn)1（T）、F2（T）、F3（T）均為對(duì)應(yīng)的衰減函數(shù)：

• F1（T）=e^[-k1*(T-T0)]，T0為圖片發(fā)布時(shí)間
• F2（T）=e^[-k2*(T-T0)]，T0為圖片發(fā)布時(shí)間
• F3（T）=e^[-k3*(T-T’)]，T’為設(shè)定時(shí)間

3.3 歸一化處理

經(jīng)過以上2個(gè)步驟的處理，我們得到的是：圖片熱度S=初始分S1+受歡迎S2+正推薦分S3-1+負(fù)推薦分S3-2。

如果你實(shí)際落地中會(huì)發(fā)現(xiàn)，受歡迎分S2往往很大，無論如何調(diào)節(jié)S1和S3，對(duì)分?jǐn)?shù)影響都很小。這個(gè)時(shí)候，你會(huì)幡然醒悟，缺少了最重要的一步——?dú)w一化。

因?yàn)槲覀兊玫降腟1、S2和S3，大小不在同一量級(jí)上，如果直接簡(jiǎn)單相加，S約等于可能約等于某個(gè)子分?jǐn)?shù)。

引入歸一化系數(shù)a，將各部分分?jǐn)?shù)進(jìn)行適當(dāng)?shù)姆糯蠡蚩s小。最終得到：圖片熱度S=a1*初始分S1+a2*受歡迎S2+a3*正推薦分S3-1+a4*負(fù)推薦分S3-2。

4.實(shí)例

用戶小白在2020年3月1日0:00發(fā)布一張圖片，小白過往圖片被精選次數(shù)為20次；24小時(shí)后，該圖片累計(jì)展示1000次，獲贊數(shù)400，評(píng)論數(shù)100，收藏?cái)?shù)50，分享數(shù)10。求此時(shí)的熱度分?jǐn)?shù)。暫無運(yùn)營(yíng)推薦操作。

在熱度算法中：

• 初始分S1=SUM（該用戶過往圖片被精選次數(shù)）*F1（T），精選次數(shù)封頂值為max
• 受歡迎分S2=(h1*點(diǎn)贊數(shù)+h2*評(píng)論數(shù)+h3*收藏?cái)?shù)+h4*分享數(shù))/展示數(shù)*F2（T）
• 正推薦分S3-1=運(yùn)營(yíng)設(shè)定值*F3（T），為正數(shù)
• 負(fù)推薦分S3-2=運(yùn)營(yíng)設(shè)定值，為負(fù)數(shù)

若結(jié)合業(yè)務(wù)討論得到：

• 初始分S1，精選最多按10次計(jì)算，時(shí)效性3天；T-T0=24小時(shí)=1天，對(duì)應(yīng)F1（T）=0.215；
• 受歡迎分S2，點(diǎn)贊一次計(jì)1分，評(píng)論一次計(jì)2分，收藏一次計(jì)3分，分享一次計(jì)4分，時(shí)效性30天；T-T0=1天，對(duì)應(yīng)F2（T）=0.858
• 正推薦S3-1，推薦時(shí)效性7天

那么此時(shí)可以計(jì)算如下：

• S1=10*F1（T）=2.15
• S2=（1*400+2*100+3*50+4*10）/1000*F2(T)=0.68
• S3-1=S3-2=0
• 而熱度分S=a1*S1+a2*S2+a3*S3-1+a4*S3-2，其中歸一化系數(shù)a1=1，a2=10，a3=5，a4=5，則計(jì)算出最終S=8.95

四、總結(jié)

熱度算法實(shí)際很難，難就難在如何根據(jù)實(shí)際業(yè)務(wù)調(diào)參調(diào)優(yōu)，以下我分享幾點(diǎn)心得：

（1）第一版本不在乎精度，重點(diǎn)在于跑通流程，確定好整個(gè)熱度算法的框架

框架必須正確，并且支持后續(xù)拓展。第二版本起，才開始調(diào)參調(diào)優(yōu)。這是是一個(gè)技術(shù)活，一定要體現(xiàn)在分?jǐn)?shù)的改變效果上，根據(jù)效果來反推調(diào)優(yōu)方向，否則只是無意義的勞動(dòng)。

（2）無數(shù)據(jù)不算法，巧婦難為無米之炊

輸入涉及的數(shù)據(jù)指標(biāo)，都是需要正確埋點(diǎn)的。如果數(shù)據(jù)不可用，應(yīng)該優(yōu)先做數(shù)據(jù)基建。

小數(shù)據(jù)+復(fù)雜模型=一般效果

大量數(shù)據(jù)+簡(jiǎn)單模型=很好效果

大量數(shù)據(jù)+復(fù)雜模型=更好效果

（3）熱度S能夠讓運(yùn)營(yíng)或用戶簡(jiǎn)單理解的前提，是需要做對(duì)應(yīng)的可視化

因?yàn)橹苯佑?jì)算出熱度分?jǐn)?shù)只是個(gè)絕對(duì)數(shù)，而相對(duì)數(shù)才是對(duì)業(yè)務(wù)有參考意義的。比如你可以將熱度S做成區(qū)間0-10，10分表示滿分。要學(xué)會(huì)將技術(shù)語(yǔ)言轉(zhuǎn)化為業(yè)務(wù)語(yǔ)言。

如果你看完以上內(nèi)容，覺得熱度算法很簡(jiǎn)單。那么恭喜你，你已經(jīng)成功入坑，可以去實(shí)踐了。

如果沒看懂，你可以勇敢提出你的疑問。我們一起交流學(xué)習(xí)，共同進(jìn)步。

作者：Ln，微信號(hào)：scnulhy

本文由 @Ln?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