今日頭條的走紅帶動了“個性化推薦”的概念，自此之後，內容型的產品，個性化算法就逐漸從賣點變為標配。伴隨著“機器學習”，“大數據”之類的熱詞和概念，產品的檔次瞬間提高了很多。而各種推薦算法絕不僅僅是研發自己的任務，作為產品經理，必須深入到算法內部，參與算法的設計，以及結合內容對算法不斷“調教”，才能讓產品的推薦算法不斷完善，最終與自己的內容雙劍合璧。
本文以新聞產品為例，結合了我之前產品從零積累用戶的經驗，整理了作為PM需要了解的基本算法知識和實操。
1. 算法的發展階段
個性化推薦不是產品首次發佈時就能帶的，無論是基於用戶行為的個性化，還是基於內容相似度的個性化，都建立在大量的用戶數和內容的基礎上。產品發佈之初，一般兩邊的數據都有殘缺，因此個性化推薦也無法開展。
所以在產品發展的初期，推薦內容一般採用更加聚合的“熱度算法”，顧名思義就是把熱點的內容優先推薦給用戶，雖然無法做到基於興趣和習慣為每一個用戶做到精準化的推薦，但能覆蓋到大部分的內容需求。而且啟動成本比個性化推薦算法低太多。
因此內容型產品，推薦在發佈初期用熱度算法實現冷啟動，積累了一定量級以後，才能逐漸開展個性化推薦算法。
2. 熱度算法
2.1 熱度算法基本原理
需要了解的是，熱度算法也是需要不斷優化去完善的，基本原理：
新聞熱度分 = 初始熱度分 + 用戶交互產生的熱度分 - 隨時間衰減的熱度分
Score = S0 + S(Users) - S(Time)；
新聞入庫後，系統為之賦予一個初始熱度值，該新聞就進入了推薦列表進行排序；隨著新聞不斷被用戶點擊閱讀，收藏，分享等，這些用戶行為被視作幫助新聞提升熱度，系統需要為每一種新聞賦予熱度值；同時，新聞是有較強時效性的內容，因此新聞發佈之後，熱度必須隨著新聞變得陳舊而衰減。
新聞的熱度就在這些算法的綜合作用下不斷變化，推薦列表的排序也就不斷變化。
2.2 初始熱度不應該一致
上面的算法為每一條入庫的新聞賦予了同樣的熱度值，但在現實使用後發現行不通，例如娛樂類別比文化類別受歡迎程度本身就高很多；或者突發了嚴重的災害或事故；或是奧運會期間，體育類別的關注度突然高了起來；而此時如果還是每條新聞給同樣的熱度就不能貼合實際了。
解決辦法就是把初始熱度設置為變量：
1）按照新聞類別給予新聞不同的初始熱度，讓用戶關注度高的類別獲得更高的初始熱度分，從而獲得更多的曝光，例如：
2）對於重大事件的報道，如何讓它入庫時就有更高的熱度，我們採用的是熱詞匹配的方式。
即對大型新聞站點的頭條，Twitter熱點，競品的頭條做監控和扒取，並將這批新聞的關鍵詞維護到熱詞庫並保持更新；每條新聞入庫的時候，讓新聞的關鍵詞去匹配熱詞庫，匹配度越高，就有越高的初始熱度分。
這樣處理後，重大事件發生時，Twitter和門戶網站的爭相報道會導致熱詞集中化，所有匹配到這些熱詞的新聞，即報道同樣事件的新聞，會獲得很高的初始熱度分。
2.3 用戶行為分規則不是固定不變的
解決了新聞入庫的初始分之後，接下來是新聞熱度分的變化。先要明確用戶的的哪些行為會提高新聞的熱度值，然後對這些行為賦予一定的得分規則。例如對於單條新聞，用戶可以點擊閱讀（click），收藏（favor），分享（share），評論（comment）這四種行為，我們為不同的行為賦予分數，就能得到新聞的實時用戶行為分為：
S(Users) = 1*click + 5*favor + 10*comment + 20*share
這裡對不同行為賦予的分數為1,5,10,20，但這個值不能是一成不變的；當用戶規模小的時候，各項事件都小，此時需要提高每個事件的行為分來提升用戶行為的影響力；當用戶規模變大時，行為分也應該慢慢降低，因此做內容運營時，應該對行為分不斷調整。
當然也有偷懶的辦法，那就是把用戶規模考慮進去，算固定用戶數的行為分，即：
S(Users) = (1*click + 5*favor + 10*comment + 20*share)/DAU * N(固定數）
這樣就保證了在不同用戶規模下，用戶行為產生的行為分基本穩定。
2.4 熱度隨時間的衰減不是線性的
由於新聞的強時效性，已經發布的新聞的熱度值必須隨著時間流逝而衰減，並且趨勢應該是衰減越來越快，直至趨近於零熱度；換句話說，如果一條新聞要一直處於很靠前的位置，隨著時間的推移它必須要有越來越多的用戶來維持。
我們要求推薦給用戶的新聞必須是24h以內，所以理論上講，衰減算法必須保證在24h後新聞的熱度一定會衰減到很低，如果是線性衰減，當某些新聞突然有大量用戶閱讀，獲得很高的熱度分時，可能會持續排名靠前很久，讓用戶覺得內容更新過慢。
參考牛頓冷卻定律，時間衰減因子應該是一個類似於冪函數：
T(Time) = e ^ (k*(T1 - T0)) 其中T0是新聞發佈時間，T1是當前時間；
而最終的新聞的熱度算法也調整為：
Score = ( S0(Type) + S(Users) ) / T(Time)；
2.5 其他影響因素
很多新聞產品會給用戶“贊”，“踩”或“不在推薦此類”的選項，這些功能不僅適用於個性化推薦，對熱度算法也有一定的作用；
新聞的推送會造成大量的打開，在計算熱度的時候需要排除掉相關的影響。類似於這樣的因素，都會對熱度算法產生影響，因此熱度算法上線後，依然需要不斷地“調教”。建議把所有的調整指標做成可配項，例如初始熱度分，行為事件分，衰減因子等，從而讓產品和運營能實時調整和驗證效果，達到最佳狀態。
