热度算法与个性化推荐
热度推荐算法
新闻热度分=初始热度分+用户交互产生的热度分-随时间衰减的热度分
Score=S0+S(Users)-S(Time)
注意:(1)初始分值根据话题热度不同而不同 (2)热词匹配 (3)用户行为的分值应设置差异
基于内容的相关推荐
分词:建立正常词库与停用词库(助词,介词,动词)
关键词指标:TF(新闻内出现频率)越高,IDF(出现频率反值)越低,该关键词的代表性就越强,这种建立文章标签的方法称为TFIDF模型
相关性算法:相同关键词TFIDF重合计算=新闻的相似度
用户特征:收集用户特征后与文章的关键tap进行匹配
基于用户协同推荐
用户群体划分:外部数据借用+产品内主动询问+用户特征对比
内容实施推荐:通过已有数据匹配相似用户+提取差异内容——推送
内容选取:更具交互动作相似度为文章推荐提供优先级
产品相关文档




启示:产品需要掌握的是什么?

网友评论