undefined_腾讯视频
普通的产品经理需要了解算法到何种程度
如果产品：数据量足够大，用户、内容互相之间存在足够多的差异性；产品对于内容分发有较高的要求；不需要强调自己的风格或者服务特定目标人群，那是时候接入推荐算法了。普通产品经理需要做的是：提供需求（用户在何时需要何种推荐），协调算法工程师和程序员之间的业务配合。
今日头条的走红带动了“个性化推荐”的概念，自此之后，内容型的产品，个性化算法就逐渐从卖点变为标配。伴随着“机器学习”，“大数据”之类的热词和概念，产品的档次瞬间提高了很多。而各种推荐算法绝不仅仅是研发自己的任务，作为产品经理，必须深入到算法内部，参与算法的设计，以及结合内容对算法不断“调教”，才能让产品的推荐算法不断完善，最终与自己的内容双剑合璧。
热度算法
基本原理：把热点的内容优先推荐给用户，能覆盖到大部分的内容需求，而且启动成本低。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
初始热度值：按照新闻类别给予新闻不同的初始热度，让用户关注度高的类别获得更高的初始热度分，从而获得更多的曝光。
对于重大事件的报道，热词匹配的方式，对大型新闻站点的头条，微博热点，竞品的头条做监控和扒取，并将这批新闻的关键词维护到热词库并保持更新；每条新闻入库的时候，让新闻的关键词去匹配热词库，匹配度越高，就有越高的初始热度分。
用户行为分（D）：将用户行为：阅读（C）、收藏（F）、分享（S）、评论（C），根据权重赋予相应的分数，则用户行为分数为：X*阅读+Y*收藏+Z*分享+W*评论
时间衰减：新闻的强时效性，已经发布的新闻的热度值必须随着时间流逝而衰减，并且趋势应该是衰减越来越快，直至趋近于零热度。要求推荐给用户的新闻必须是24h以内，
基于内容的推荐算法
基本原理：对比新闻之间的相似度，如果两个新闻的关键词越类似，那两个新闻是相关内容的可能性更高。
关键词新闻内频率指标（A）：将新闻看作是所有关键词的合集，重合多越高，则两新闻相关的可能性越高。
分词：停用没有实际含义的词库，例如：“给”、“是”、“啊”
关键词频率相反指标（B）：例如：“郑州摩拜单车数量激增。”、“郑州天气好转，大家可以骑摩拜单车出去溜溜啦。”这两条新闻虽然关键词重叠频率高，但讲述的内容完全不同。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。
内容推荐的实施：例如，用户已经阅读新闻1，对于新闻2的推荐程度，引入内容相似度比对指标C，提取新闻1和新闻2的相同关键词，新闻1：∑C1=A1*B1，新闻2：∑C2=A2*B2，比对∑C1和∑C2，数字越接近，则两新闻相关性越强。此时引入用户阅读新闻1的用户行为分（D），得出基于内容推荐的指标：C*D*N，其中N为需要调教的内容推荐算法系数。
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找到与他兴趣最接近的群体，所谓“人以群分”，然后把这个群体里其他人喜欢的，但是A没有阅读过的内容推荐给A。
用户群体划分：外部数据的借用：借用第三方登陆的用户信息、IP地址、地理位置。
产品内主动询问：产品首次启动的时候，弹框询问用户是男是女，职业等。
对比用户特征：依据热度推荐和内容推荐给出的用户阅读行为和内容相似度，判断用户阅读喜好相似度。
假设用户A在系统归属于群体X，首先，群体X中用户交互过（阅读，评论等）的新闻提取出来；需要剔除掉用户A已经看过的新闻，对余下的新闻进行评分和相似度加权的计算，计算包括两部分，一是用户A与群体每一个用户的相似性，二是每个用户对新闻列表中每条新闻的喜好，这样就能得到每条新闻相对于用户A的最终得分；将新闻列表按照得分高低的顺序推荐给用户。
原文来自：人人都是产品经理。
网友评论