演算法熱點

⑴ 關於熱度演算法

熱度演算法基本原理

需要了解的是，熱度演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，因此新聞發布之後，熱度必須隨著新聞變得陳舊而衰減。

新聞的熱度就在這些演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。

初始熱度不應該一致

上面的演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數：

（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。

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

這里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。

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，衰減演算法必須保證在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指數函數：

T(Time) = e ^ (k*(T1 – T0))

其中T0是新聞發布時間，T1是當前時間。

而由於熱度的發展最終是一個無限趨近於零熱度的結果，最終的新聞的熱度演算法也調整為：

Score = ( S0(Type) + S(Users) ) / T(Time)

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，對熱度演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，都會對熱度演算法產生影響，因此熱度演算法上線後，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。

⑵ 推薦演算法有哪些

推薦演算法主要有以下幾種：

1. 協同過濾演算法

協同過濾是推薦系統中最常見的一類演算法。它的核心思想是根據用戶的歷史行為，找到相似的用戶或物品，然後推薦相似的物品給當前用戶。協同過濾演算法分為基於用戶的協同過濾和基於物品的協同過濾兩種。基於用戶的協同過濾考慮的是用戶之間的相似性，而基於物品的協同過濾則關注物品之間的相似性。

2. 內容推薦演算法

內容推薦主要基於物品的內容特徵進行推薦。它通過分析物品的特徵和用戶興趣之間的匹配程度來推薦物品。例如，對於電影推薦，內容推薦演算法可能會考慮電影的導演、演員、類型等特徵，然後推薦與用戶興趣相似的電影。

3. 機器學習推薦演算法

隨著機器學習技術的發展，越來越多的機器學習演算法被應用到推薦系統中。常見的機器學習推薦演算法包括線性回歸、決策樹、隨機森林、神經網路等。這些演算法可以根據用戶的歷史數據預測用戶的興趣偏好，並據此進行推薦。

4. 深度學習推薦演算法

深度學習在推薦系統中的應用是近年來的研究熱點。深度學習演算法能夠自動提取數據的特徵，對於處理大規模的高維數據非常有效。在推薦系統中，深度學習演算法可以通過分析用戶的行為數據、物品的特徵數據等，學習出復雜的非線性關系，從而提高推薦的准確性。

除了上述幾種主要的推薦演算法外，還有一些其他的推薦演算法，如基於關聯規則的推薦、基於矩陣分解的推薦等。不同的推薦演算法有不同的特點和適用場景，在實際應用中需要根據具體情況選擇合適的演算法。