1 经验经验，食人间烟火
2 产品方法论
2.1 需求调研：
a 思考有多少种角色，使用方，服务方等全部考虑进去。尽可能全面
b 用户访谈：用户访谈方式很多，核心用户访谈（不同种类），如果有较多的用户，可以设计问卷调查。事先准备好问题，属性实际应用的业务流程。包括用户属性，业务属性，流程场景。用户访谈实地的形式很多，可以实地考察，产品开发测试人员头脑风暴（条件允许的情况下），运营人员访谈等
竞品分析：竞品分析，不是用几天分析了某个产品，完成了一份报告，而是从产品，用户，数据三个维度去思考和分析，竞品分析是贯穿产品工作的始终，所谓知己知彼，从用户和数据，查看用户反馈,了解竞品存在的优点和缺点。竞品数据可以查看的渠道：百度指数，易观千帆，企鹅智库，App Store，各大Android应用市场。36氪，talkingDate，艾瑞网等
思考问题的本质，思考问题的重点：比如现在做的是学生管理系统，有人提出要加论坛功能，第一思考问题的是，为什么加论坛，添加了好处是什么（其中给用户的好处，给公司的好处），和我们现在做的学生管理系统有什么关系（产品定位），投入产出比如何，有什么其他更好的解决方案。是否有运营维护人员等、又比如做分享功能，什么场景下用户会主动去分享
分析需求：需求越多，对产品掌握的也就越全面，做决策也就越清晰，通过大量的需求调用，需求有真伪，有轻重缓急，做什么需求能给产品带来最大的价值，需要多种方式去评估。而不是满足所有人反馈的需求，需求堆砌不出好产品。
迭代需求获取：产品内部反馈，各大论坛，贴吧，知乎，微信群，平时有人的吐槽，都是获取需求的渠道。
对于用户反馈，反馈的次数多，一定要做吗，既不能完全靠数据统计，也不能完全依赖数据统计。而是在错综复杂中有蛛丝马迹可循。
关于场景思考，特定时间，人物，环境存在特定的关系，具象化，同一时间同一地点同一人物对软件的使用要求可能都有所不同，举例子，相机拍照，听音乐，等等
3 产品架构，信息架构
产品架构，梳理功能层，业务逻辑层，呈现方式可以通过流程图，思维导图，方案等方式输出
信息架构梳理表现层，呈现方式，原型，文档，功能清单等方式输出
4 项目评审:项目背景，目标，为了解决目标，我们的方案。其中评审有两种方式:一种是平常的梳理逻辑，页面交互，框架权限等。然后细化原型页面。另外一种，通过用户故事的方式，拆分用户故事，小故事（最小可行性方案MVP）讲解，方便开发人员理解需求和拆分实现需求
6 项目迭代，规范上的，原型，禅道，测试，项目上线等
7 查看用户反馈，统计数据（其中数据引导产品，用户反馈引导产品，即互联网思想，以用户为中心），比如分享台统计，查阅，点赞，分享，评论等行为，分享数据最多，而分享数据中各个模块的比例又是多少，重点研究分享模块，对分享模块的扩展等
8 A/B测试，A/B案
9 洞察用户心理，产品食人间烟火，求知，善断。例如网易云音乐评论为什么活了：用户的心理，回忆，共鸣，懒，孤独等。例如为什么会有小米粉（小米品牌会有人爱到骨子里，同时会有人讨厌），而华为这种现象就比较少
10 对运营的思考，UGC，内容产品，需要有矛盾，也需要平衡点。不展开
11 游戏的上瘾机制。用户粘性，不展开。
12 算法，个性化推荐
算法推荐内容本身没有对与错，优化的是推荐的准确度。推荐用户想要的内容。提高用户留存，朝着人工智能发展。
产品提供需求:在什么情况下需要何种推荐
1 热度算法
把热点的内容推荐给用户:新闻的热度分=初始热度分+用户交互产生的热度分-随时间衰减的热度分
1.1 初始热度分:新闻关键词热词库，匹配度越高，对应的分值越高
1.2 用户行为：如阅读，收藏，分享，评论... 根据权重赋予分数，用户行为公式：x*阅读+y*收藏+z*分享+w*评论
1.3 时间衰退，可以利用学习过的数学公司
2 基于内容的推荐算法
2.1 过滤特殊词，如"啊，的，是"，一个关键词在某条新闻中出现的频率大，在所有文档中小，就是很好的热度关键词
2.2 新闻1，和新闻2，相同的关键词为准则推荐新闻3，有个函数关系去关联
3 基于用户的协同推荐
基本原理：依据用户A的阅读喜好，为A找到兴趣相近的人群。所谓人以群分，然后把群体中其他人喜欢的，但是A没有阅读的推荐内容给A
4 标签，用户画像推荐算法：例如app注册后，让你选择所属类型，职业等信息，根据浏览，购买行为，对用户形成用户画像，根据用户画像去推荐内容。
4.1 内容来源。
热度特征。包括全局热度、分类热度，主题热度，以及关键词热度等。内容热度信息在大的推荐系统特别在用户冷启动的时候非常有效。
4.2 过滤处理：通过停留时间短的内容，过滤处理，即阅读的停留时间起到筛选作用
4.3 惩罚机制：如果一篇文章，推荐给用户没有被点击，相关权重（类别，关键词，来源）权重会被惩罚
5 不感兴趣：根据不感兴趣，反向的用户画像
6 推荐重复的内容。这个问题的难点在于，每个人对重复的定义不一样。举个例子，有人觉得这篇讲皇马和巴萨的文章，昨天已经看过类似内容，今天还说这两个队那就是重复。但对于一个重度球迷而言，尤其是巴萨的球迷，恨不得所有报道都看一遍。解决这一问题需要根据判断相似文章的主题、行文、主体等内容，根据这些特征做线上策略。
7 时空特征：分析内容的发生地和时效性：例如在厦门发生的新闻，推荐给北京，意义不大。但是可以根据热度值，扩张范围
8 质量：判断内容是否低俗，色情，是软文和鸡汤：通过深度学习算法训练，样本库非常大，图片、文本同时分析。谩骂模型的样本库同样超过百万，用户经常出言不讳或者不当的评论，有惩罚机制。
9 标签层级关联：上面Root，下面第一层的分类是像科技、体育、财经、娱乐，体育这样的大类，再下面细分足球、篮球、乒乓球、网球、田径、游泳...，足球再细分国际足球、中国足球，中国足球又细分中甲、中超、国家队...，相比单独的分类器，利用层次化文本分类算法能更好地解决数据倾斜的问题
10 A/B 测试
11 内容安全：针对大数据，有1%的内容出现了安全问题，就会产生较大的社会影响。重视内容审核，内容审核，根据对简书的使用和理解，发布一篇文章，在自己的页面可看，发布正常，实际上发布出去了吗，没有，是系统智能去识别，审核通过与否。在发布一篇文章较短，可以在短时间内容审核完，而文章篇幅较长，审核的时间也就叫长，自己可以查看（是个假象，发布者以为自己发布出去了），分享链接给其他用户，其他用户在查看的时提示还在审核中，由于是c端产品，很大程度减少了用户以为需要审核的等待时间。
UGC和PGC：
PGC（Professional Generated Content），专业生产内容
UGC：
12 算法相关性
两组数据。或者理解为两组向量的相关性是强还是弱，可以利用中学学过的余弦函数去做判断，cosθ=(A*B)/(|A|*|B|)
例如：两个新闻的关键词虽然类似，讲的却是完全不同的内容，相关性很弱。如果只是看关键词重合度，出现错误判断的可能性就很高；所以特征向量还需要有第二个关键词的指标，叫新闻内频率，称之为TF（Term Frequency），衡量每个关键词在新闻里面是否高频。
关键词在在所有文档中出现的频率的相反值，称之为IDF（Inverse Document Frequency）。为什么会是相反值？因为一个关键词在某条新闻出现的频率最大，在所有文档中出现的频率越小，该关键词对这条新闻的特征标识作用越大。
这就对应两组数据，而两组数据，可以用余弦函数去做关联，根据（-1 ~ +1）判断关联度强还是弱。
网友评论