為了綜合考慮多個用戶維度，需要定義一個通用的、可量化的熱度值，並以此多為分發依據。
上一篇文章我們介紹了個性化推薦和標籤庫的建立邏輯，這一章介紹一下常見的熱度分發規則。
熱度分發
內容產品的一個優勢，就是用戶會產生海量的內容。但是UGC內容存在質量參差不齊，上下限差距明顯的情況。對於產品發展而言，需要從這海量的內容中篩選出較為優質的內容，集中向用戶展現，滿足用戶對高質量內容消費的需求，從而提高用戶的粘性和忠誠度。
那麼，如何篩選出優質內容，並設計篩選的規則呢？
熱度規則設計邏輯
首先，我們得定義何為優質，也就說，什麼樣的內容是優質的。對於內容而言，優質體現用戶行為上，就意味著用戶對內容有閱讀、點贊、評論、收藏等行為。而這些行為維度，即可作為衡量內容的質量的標準。
其次，衡量內容質量，需要綜合考慮多個用戶行為維度，而不能是單一的維度。比如，一篇文章如果有很多用戶點贊，可認為很多用戶喜歡，這篇文章算是優質內容；而另外一篇文章點讚的很少，但是有很多評論，說明這篇文章的觀點不受用戶贊成進而引發很多爭議。但是，內容的優質應該是用戶行為而不是立場的體現，點贊多的和評論多的都應該算是優質內容。
然後，為了綜合考慮多個用戶維度，需要定義一個通用的、可量化的熱度值，並以此多為分發依據。
分發規則設計邏輯
制定熱度分發規則需要考慮到一個時間因素，避免出現“好的永遠好、差的永遠差”局面。
舉個例子，對於一篇文章，如果一開始它的熱度很高，它就會獲得更高的分發量，根據漏斗模型，它後續獲得的閱讀、點贊、評論等用戶行為也會更高，從而進入一個良性循環，熱度越來越高。而對於那些一開始熱度很低的文章，獲得的分發很少，用戶行為也會很少，熱度就會一直很低，進入一個惡性循環。如果出現這種局面，從用戶的視角來看，他每次都會看到的內容都差不多，永遠是那些熱度高的，從而導致用戶新鮮感下降，不利於用戶活躍度，也會打擊低熱度內容生產者的積極性。
規則案例
下面，我們通過一個模擬場景來設計一套熱度分發規則。
場景：一個內容社區，有文章和視頻兩種內容，文章和視頻都可以被點贊、評論、分享和收藏。社區有一個熱門內容推薦列表，給這個列表制定一個分發規則。
熱度規則：通過點贊、評論、分享和收藏這4個維度來作為熱度值計算依據。定義內容熱度值S=點贊數量*1+評論數量*2+分享數量*2+收藏數*2。
分發規則：
規則1.篩選24小時內發佈的的全部內容
規則2.篩選24小時至72小時前發佈的S>=30的全部內容
1.將滿足規則1的內容按照發布時間由近至遠排列，滿足規則2的內容分別按照分值從高到底排列。分頁推送，每頁8條，滿足規則1和規則2的內容各4條，按照發布時間由近至遠排列；如果滿足某個規則的內容數量不足4條，則由其他內容填充滿8條，上滑翻頁
2.下拉刷新，推送本次刷新與上次刷新之間產生的滿足規則1和規則2的內容，根據分值從高到低排列，每次刷新最多推送8條，不足8條則推送實際數量
在這個分發規則下，即綜合考慮了多個用戶行為維度，也避免出現高熱度文章永遠在頂部而低熱度文章（比如剛發佈的）得不到推薦的機會。
小結
除了內容產品，熱度推擠也適合其他業務場景，比如電商。有興趣的同學可以嘗試設計一套電商熱銷商品的推薦規則。
