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，個性化演算法就逐漸從賣點變為標配。伴隨著“機器學習”，“大資料”之類的熱詞和概念，產品的檔次瞬間提高了很多。而各種推薦演算法絕不僅僅是研發自己的任務，作為產品經理，必須深入到演算法內部，參與演算法的設計，以及結合內容對演算法不斷“調教”，才能讓產品的推薦演算法不斷完善，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使用者的經驗，整理了作為PM需要了解的基本演算法知識和實操。

一、演算法的發展階段

個性化推薦不是產品首次釋出時就能帶的，無論是基於使用者行為的個性化，還是基於內容相似度的個性化，都建立在大量的使用者數和內容的基礎上。產品釋出之初，一般兩邊的資料都有殘缺，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“熱度演算法”，顧名思義就是把熱點的內容優先推薦給使用者。雖然無法做到基於興趣和習慣為每一個使用者做到精準化的推薦，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演算法低太多。

因此內容型產品，推薦在釋出初期用熱度演算法實現冷啟動，積累了一定量級以後，才能逐漸開展個性化推薦演算法。

二、熱度演算法

2.1 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 + 使用者互動產生的熱度分 – 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；隨著新聞不斷被使用者點選閱讀，收藏，分享等，這些使用者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，因此新聞釋出之後，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。

2.2 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定為變數：

（1）按照新聞類別給予新聞不同的初始熱度，讓使用者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和入口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 使用者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。先要明確使用者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，使用者可以點選閱讀（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使用者行為分為：

$S(Users) = 1*click + 5*favor + 10*comment + 20*share$

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使用者行為的影響力；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，那就是把使用者規模考慮進去，算固定使用者數的行為分，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使用者規模下，使用者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使用者來維持。

我們要求推薦給使用者的新聞必須是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使用者閱讀，獲得很高的熱度分時，可能會持續排名靠前很久，讓使用者覺得內容更新過慢。

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式：

$T(Time) = e^{(k*(T1 – T0))}$

其中T0是新聞釋出時間，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：

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

2.5 其他影響因素

很多新聞產品會給使用者“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開啟，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。

三、基於內容的推薦演算法

現在，你的內容產品順利度過了早期階段，擁有了幾萬甚至十幾萬級別的日活。這時候，你發現熱度演算法導致使用者的閱讀內容過於集中，而個性化和長尾化的內容卻鮮有人看，看來是時候開展個性化推薦，讓使用者不僅能讀到大家都喜歡的內容，也能讀到只有自己感興趣的內容。

個性化推薦一般有兩種通用的解決方案，一是基於內容的相關推薦，二是基於使用者的協同過濾。 由於基於使用者的協同過濾對使用者規模有較高要求，因此更多使用基於內容的相關推薦來切入。

這裡引入一個概念叫“新聞特徵向量”來標識新聞的屬性，以及用來對比新聞之間的相似度。我們把新聞看作是所有關鍵詞（標籤）的合集，理論上，如果兩個新聞的關鍵詞越類似，那兩個新聞是相關內容的可能性更高。 新聞特徵向量是由新聞包含的所有關鍵詞決定的。得到新聞特徵向量的第一步，是要對新聞內容進行到關鍵詞級別的拆分。

3.1 分詞

分詞需要有兩個庫，即正常的詞庫和停用詞庫。正常詞庫類似於一本詞典，是把內容拆解為詞語的標準；停用詞庫則是在分詞過程中需要首先棄掉的內容。

停用詞主要是沒有實際含義的，例如“The”,“That”，“are”之類的助詞；表達兩個詞直接關係的，例如“behind”，“under”之類的介詞，以及很多常用的高頻但沒有偏向性的動詞，例如“think”“give”之類。顯而易見，這些詞語對於分詞沒有任何作用，因此在分詞前，先把這些內容剔除。

剩下對的內容則使用標準詞庫進行拆詞，拆詞方法包含正向匹配拆分，逆向匹配拆分，最少切分等常用演算法，這裡不做展開。

因為網路世界熱詞頻出， 標準詞庫和停用詞庫也需要不斷更新和維護，例如“藍瘦香菇”，“套路滿滿”之類的詞語，可能對最終的效果會產生影響，如果不及時更新到詞庫裡，演算法就會“一臉懵逼”了。

因此，推薦在網上查詢或購買那些能隨時更新的詞庫，各種語種都有。

3.2 關鍵詞指標

前面已經說過，新聞特徵向量是該新聞的關鍵詞合集，那關鍵詞的重合度就是非常重要的衡量指標了。

那麼問題來了，如果兩條新聞的關鍵詞重合度達到80%，是否說明兩條新聞有80%的相關性呢？

其實不是，舉個例子：

（1）一條“廣州摩拜單車投放量激增”的新聞，主要講摩拜單車的投放情況，這篇新聞裡“摩拜單車”是一個非常高頻的詞彙，新聞在結尾有一句“最近廣州天氣不錯，大家可以騎單車出去散心”。因此“廣州天氣”這個關鍵詞也被收錄進了特徵向量。

（2）另外一條新聞“廣州回南天即將結束，天氣持續好轉”，這篇新聞結尾有一句“天氣好轉，大家可以騎個摩拜單車出門溜溜啦”，新聞裡面“廣州天氣”是非常高頻的詞彙，“摩拜單車”儘管被收錄，但只出現了一次。

這兩個新聞的關鍵詞雖然類似，講的卻是完全不同的內容，相關性很弱。如果只是看關鍵詞重合度，出現錯誤判斷的可能性就很高；所以特徵向量還需要有第二個關鍵詞的指標，叫新聞內頻率，稱之為TF（Term Frequency），衡量每個關鍵詞在新聞裡面是否高頻。

那麼問題來了，如果兩條新聞的關鍵詞重合度高，新聞中關鍵詞的頻率也相差無幾，是否說明相關性很強呢？

理論上是的，但又存在另外一種情況：如果我們新聞庫裡所有的新聞都是講廣州的，廣州天氣，廣州交通，廣州經濟，廣州體育等，他們都是講廣州相關的情況，關鍵詞都包含廣州，天河，越秀，海珠（廣州各區）等，並且有著類似的頻率，因此演算法很容易將它們判斷為強相關新聞；從地域角度講，這種相關性確實很強，但從內容類別層面，其實沒有太多相關性，如果我是一個體育迷，你給我推薦天氣，交通之類的內容，就沒多大意義了。

因此引入第三個關鍵詞的指標，即關鍵詞在在所有文件中出現的頻率的相反值，稱之為IDF（Inverse Document Frequency）。為什麼會是相反值？因為一個關鍵詞在某條新聞出現的頻率最大，在所有文件中出現的頻率越小，該關鍵詞對這條新聞的特徵標識作用越大。

這樣每個關鍵詞對新聞的作用就能被衡量出來即$TFIDF=TF * IDF$，這也就是著名的TF-IDF模型。

3.3 相關性演算法

做完分詞和關鍵詞指標後，每一篇新聞的特徵就能用關鍵詞的集合來標識了：

其中word0，1，2……n是新聞的所有關鍵詞，tfidf0，1，2……n則是每個關鍵詞的tfidf值。

兩個新聞的相似度就能通過重合的關鍵詞的tfidf值來衡量了。根據之前所學的知識，幾何中夾角餘弦可以用來衡量兩個向量的方向的差異性，因此在我們的演算法中使用夾角餘弦來計算新聞關鍵詞的相似度。夾角越小，相似度越高。

有了關鍵詞和各關鍵詞的tfidf之後，就可以計算新聞的相似度了。假設兩條新聞的特徵列表如下：

可以看到兩條新聞有5個重合的關鍵詞：廣州，摩拜單車，太陽，天河和市長，因此兩條新聞的相關性由這5個關鍵詞決定，計算方式如下：

$Similarity =cos\theta =\frac{A*B}{\vert A \vert * \vert B \vert} =\frac{\sum_{N}^{A_i * B_i}}{{\sqrt {\sum_{N}^{{A_i}^2}}} * {\sqrt {\sum_{N}^{{B_i}^2}}} }$

得出兩條新聞的相關性最終值；用同樣的方法能得出一條新聞與新聞庫裡面所有內容的相關性。

3.4 使用者特徵

得到新聞特徵以後，還需要得到使用者特徵才能對兩者進行匹配和推薦，那怎麼獲得使用者特徵呢？

需要通過使用者的行為來獲得，使用者通過閱讀，點贊，評論，分享來表達自己對新聞內容的喜愛；跟熱度排名類似，我們對使用者的各種行為賦予一定的“喜愛分”，例如閱讀1分，點贊2分，評論5分等，這樣新聞特徵跟使用者行為結合後，就能得到使用者的特徵分。

$DocCharacter= \Biggl( \begin{matrix} word_0&tfidf_0\\ word_1&tfidf_1\\ ...&...\\ word_n&tfidf_n\\ \end{matrix}\Biggr) , ActionWeight=\begin{cases} click \to 1\\ save \to 2\\ share \to 5\\ \end{cases}$

$UserCharacter=\sum_{N} * \sum_{M} (DocCharacter_i * ActionWeight_i)$

而隨著使用者閱讀的新聞數越來越多，該使用者的標籤也越來越多，並且越發精準。

從而當我們拿到新聞的特徵後，就能與使用者的關鍵詞列表做匹配，得出新聞與使用者閱讀特徵的匹配度，做出個性化推薦。

3.5 其他運用

除了個性化推薦，基於內容的相關性演算法能精準地給出一篇新聞的相關推薦列表，對相關閱讀的實現非常有意義。此外，標籤系統對新聞分類的實現和提升準確性，也有重要的意義。

3.6 優缺點

基於內容的推薦演算法有幾個明顯優點：

1. 對使用者數量沒有要求，無論日活幾千或是幾百萬，均可以採用；因此個性化推薦早期一般採用這種方式；

2. 每個使用者的特徵都是由自己的行為來決定的，是獨立存在的，不會有互相干擾，因此惡意刷閱讀等新聞不會影響到推薦演算法。

而最主要的缺點就是確定性太強了，所有推薦的內容都是由使用者的閱讀歷史決定，所以沒辦法挖掘使用者的潛在興趣；也就是由於這一點，基於內容的推薦一般與其他推薦演算法同時存在。

四、基於使用者的協同推薦

終於，經過團隊的努力，你的產品已經有了大量活躍使用者了，這時候你開始不滿足於現有的演算法。雖然基於內容的推薦已經很精準了，但總是少了那麼一點性感。因為你所有給使用者的內容都是基於他們的閱讀習慣推薦的，沒能給使用者“不期而遇”的感覺。

於是，你就開始做基於使用者的協同過濾了。

基於使用者的協同過濾推薦演算法，簡單來講就是依據使用者A的閱讀喜好，為A找到與他興趣最接近的群體，所謂“人以群分”，然後把這個群體裡其他人喜歡的，但是A沒有閱讀過的內容推薦給A；舉例我是一個足球迷，系統找到與我類似的使用者都是足球的重度閱讀者，但與此同時，這些“足球群體”中有一部分人有看NBA新聞的習慣，系統就可能會給我推薦NBA內容，很可能我也對NBA也感興趣，這樣我在後臺的興趣圖譜就更完善了。

4.1 使用者群體劃分

做基於使用者的協同過濾，首先就要做使用者的劃分，可以從三方面著手：

（1）外部資料的借用

這裡使用社交平臺數據的居多，現在產品的登入體系一般都借用第三方社媒的登入體系，如國外的Facebook、Twitter，國內的微信、微博，借用第三方賬戶的好處多多，例如降低門檻，方便傳播等，還能對個性化推薦起到重要作用。因為第三方賬戶都是授權獲取部分使用者資訊的，往往包括性別，年齡，工作甚至社交關係等，這些資訊對使用者群劃分很有意義。

此外還有其他的一些資料也能借用，例如IP地址，手機語種等。

使用這些資料，你很容易就能得到一個使用者是北京的還是上海的，是大學生還是創業者，並依據這些屬性做準確的大類劃分。比如一篇行業投資分析出來後，“上海創業圈”這個群體80%的使用者都看過，那就可以推薦給剩下的20%。

（2）產品內主動詢問

常見在產品首次啟動的時候，彈框詢問使用者是男是女，職業等，這樣能對內容推薦的冷啟動提供一些幫助。但總體來說，價效比偏低，只能詢問兩三個問題並對使用者的推薦內容做非常粗略的劃分，同時要避免打擾到使用者；這種做法算是基於使用者個性化的雛形。

（3）對比使用者特徵

前文已經提到過，新聞的特徵加使用者的閱讀資料能得到使用者的特徵，那就可以通過使用者特徵的相似性來劃分群體。

4.2 內容推薦實施

我們結合一個很小的例項來了解使用者協同過濾的原理，包括如何計算使用者之間的相似性和如何做出推薦。假設有A、B、C、D和E共5個使用者，他們各自閱讀了幾篇新聞並做出了閱讀，贊，收藏，評論，分享操作，我們對這幾種行為賦予的分數分別為1分、2分、3分、4分和5分，這樣使用者對每條新聞都有自己的得分，其中“-”表示未閱讀，得分如下：

接下來，我們需要給使用者E推薦4,5,6中的哪一篇？

使用者的閱讀特徵向量由使用者所有的閱讀資料決定，我們以使用者E閱讀過的新聞資料作為參考標準，來找到與E最相似的使用者。

多維向量的距離需要通過歐幾里得距離公式來計算，數值越小，向量距離約接近。

$distance(X,Y)=\sqrt{\sum_{1}^{N}(x_i-y_i)^2}$

算出結果：

• distance(E,A)=4.123 （使用者A沒有閱讀news2，因此news2的資料不能用來計算與使用者E的相似度，這裡取1,3）

• distance(E,B)=3.162

• distance(E,C)=3.742

• distance(E,D)=1.414

因此得出結果：使用者D是與使用者E閱讀喜好最接近的那個，應該優先歸為同一類使用者。最終結論根據使用者D的閱讀資料，優先推薦news4。

4.3 內容選取

我們通過閱讀特徵向量把使用者做群體劃分後，接下來就是如何獲取新聞推薦的優先順序。上面的例子裡面只需要選出一個相似使用者，並且使用者A,B,C,D都只閱讀news4,5,6中的一條，所以比較簡單，但現實情況中，同一個使用者群體閱讀的新聞多且隨機，使用者互動更是錯綜複雜，如何得出推薦新聞的優先順序呢？

假設使用者X在系統歸屬於群體A，這個群體有n個使用者，分別為A0，A1，A2……An，這些使用者的集合用S(X,n)表示。

1. 首先，我們需要把集合中所有使用者互動過（閱讀，評論等）的新聞提取出來；

2. 需要剔除掉使用者X已經看過的新聞，這些就不用再推薦了，剩下的新聞集合有m條，用N(X,m)來表示；

3. 對餘下的新聞進行評分和相似度加權的計算，計算包括兩部分，一是使用者X與S(X,n) 每一個使用者的相似性，二是每個使用者對新聞集N(X,m)中每條新聞的喜好，這樣就能得到每條新聞相對於使用者X的最終得分；

4. 將N(X,m)中的新聞列表按照得分高低的順序推薦給使用者。

4.4 優缺點

相比於基於內容的推薦演算法，基於使用者的協同過濾同樣優缺點明顯。

優點主要在於對分詞等演算法的精確度無太大要求，推薦都是基於使用者的行為資料去不斷學習和完善；同時能發現使用者的潛在閱讀興趣，能“製造驚喜”。

缺點則是啟動的門檻高，使用者量不夠時幾乎無法開展；並且學習量不夠時推薦結果較差。

五、總結

關於個性化推薦的演算法，在網上有很多資料，也有很多其他的實現方法，因為筆者瞭解也有限，所以也不敢描述。如有興趣可以自行搜尋。熱度和個性化推薦演算法，作為大部分內容型產品的核心賣點之一，依然在不斷地進化和完善中。沒有哪種演算法是完美的，甚至沒有哪種演算法是一定優於其他的，在實際使用中，很多產品都是多演算法結合去做好內容推薦。

而產品經理在演算法的實施中，絕對不是一句“我們要做個性化推薦”就完事的，必須深入演算法內部，對演算法的原理做深入瞭解，然後結合自己的產品特徵來部署和優化。