熱度演算法建模

① 個性化推薦是怎麼做的

各種推薦演算法不能僅僅是研發涉獵領域，作為PM，也要深入到演算法內部，了解演算法的設計，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，才能符合用戶的口味。

目前比較流行的個性化推薦演算法有以下幾種：

基於內容的推薦：根據內容本身的屬性(特徵向量)所作的推薦。

基於關聯規則的推薦：「啤酒與尿布」的方式，是一種動態的推薦，能夠實時對用戶的行為作出推薦。是基於物品之間的特徵關聯性所做的推薦，在某種情況下會退化為物品協同過濾推薦。

協同過濾推薦：與基於關聯規則的推薦相比是一種靜態方式的推薦，是根據用戶已有的歷史行為作分析的基礎上做的推薦。可分為物品協同過濾、用戶協同過濾、基於模型的協同過濾。其中，基於模型的協同又可以分為以下幾種類型：基於距離的協同過濾;基於矩陣分解的協同過濾，即Latent

Factor Model(SVD)或者ALS;基於圖模型協同，即Graph，也叫社會網路圖模型。

1、產品冷啟動通過熱度演算法進行內容推薦

產品發展初期，由於一方面沒有用戶行為、用戶喜好、用戶畫像，另外也沒有大量的內容樣本基礎，是很難開展個性化推薦的。所以在產品初期，一般採取「熱度演算法」，顧名思義就是把熱點的內容優先推薦給用戶。雖然無法做到基於興趣和習慣為每一個用戶做到精準化的推薦，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。

熱度演算法基本原理：

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)

1)以新聞或視頻較有時效性的內容舉例，熱度隨內容陳舊而分值衰減。

2)初始熱度分不要一視同仁。

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。軍事>娛樂>體育>財經....

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。

3)用戶交互的熱度分值比重不一。首先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。

2、基於內容特徵與用戶特徵進行個性化推薦

對於此種推薦，有兩個實體：內容和用戶，因此需要有一個聯系這兩者的東西，即為標簽。內容轉換為標簽即為內容特徵化，用戶則稱為用戶特徵化。對於此種推薦，主要分為以下幾個關鍵部分：

標簽庫

內容特徵化

用戶特徵化

隱語義推薦

綜合上面講述的各個部分即可實現一個基於內容和用戶畫像的個性化推薦系統。

標簽庫

標簽是聯系用戶與物品、內容以及物品、內容之間的紐帶，也是反應用戶興趣的重要數據源。標簽庫的最終用途在於對用戶進行行為、屬性標記。是將其他實體轉換為計算機可以理解的語言關鍵的一步。

標簽庫則是對標簽進行聚合的系統，包括對標簽的管理、更新等。

一般來說，標簽是以層級的形式組織的。可以有一級維度、二級維度等。

標簽的來源主要有：

已有內容的標簽

網路抓取流行標簽

對運營的內容進行關鍵詞提取

對於內容的關鍵詞提取，使用結巴分詞+TFIDF即可。此外，也可以使用TextRank來提取內容關鍵詞。

這里需要注意的一點是對於關聯標簽的處理，比如用戶的標簽是足球，而內容的標簽是德甲、英超，那麼用戶和內容是無法聯系在一起的。最簡單的方式是人工設置關聯標簽，此外也可以使用word2vec一類工具對標簽做聚類處理，構建主題模型，將德甲、英超聚類到足球下面。

內容特徵化

內容特徵化即給內容打標簽。目前有兩種方式：

人工打標簽

機器自動打標簽

針對機器自動打標簽，需要採取機器學習的相關演算法來實現，即針對一系列給定的標簽，給內容選取其中匹配度最高的幾個標簽。這不同於通常的分類和聚類演算法。可以採取使用分詞 +Word2Vec來實現，過程如下：

將文本語料進行分詞，以空格,tab隔開都可以，使用結巴分詞。

使用word2vec訓練詞的相似度模型。

使用tfidf提取內容的關鍵詞A,B,C。

遍歷每一個標簽，計算關鍵詞與此標簽的相似度之和。

取出TopN相似度最高的標簽即為此內容的標簽。

此外，可以使用文本主題挖掘相關技術，對內容進行特徵化。這也分為兩種情況:

通用情況下，只是為了效果優化的特徵提取，那麼可以使用非監督學習的主題模型演算法。如LSA、PLSI和GaP模型或者LDA模型。

在和業務強相關時，需要在業務特定的標簽體系下給內容打上適合的標簽。這時候需要使用的是監督學習的主題模型。如sLDA、HSLDA等。

用戶特徵化

用戶特徵化即為用戶打標簽。通過用戶的行為日誌和一定的模型演算法得到用戶的每個標簽的權重。

用戶對內容的行為：點贊、不感興趣、點擊、瀏覽。對用戶的反饋行為如點贊賦予權值1，不感興趣賦予-1;對於用戶的瀏覽行為，則可使用點擊/瀏覽作為權值。

對內容發生的行為可以認為對此內容所帶的標簽的行為。

用戶的興趣是時間衰減的，即離當前時間越遠的興趣比重越低。時間衰減函數使用1/[log(t)+1], t為事件發生的時間距離當前時間的大小。

要考慮到熱門內容會干預用戶的標簽，需要對熱門內容進行降權。使用click/pv作為用戶瀏覽行為權值即可達到此目的。

此外，還需要考慮雜訊的干擾，如標題黨等。

另，在非業務強相關的情況下，還可以考慮使用LSA主題模型等矩陣分解的方式對用戶進行標簽化。

隱語義推薦

有了內容特徵和用戶特徵，可以使用隱語義模型進行推薦。這里可以使用其簡化形式，以達到實時計算的目的。

用戶對於某一個內容的興趣度(可以認為是CTR)：

其中i=1…N是內容c具有的標簽，m(ci)指的內容c和標簽i的關聯度(可以簡單認為是1),n(ui)指的是用戶u的標簽i的權重值,當用戶不具有此標簽時n(ui)=0，q©指的是內容c的質量，可以使用點擊率(click/pv)表示。

3、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，標簽系統對新聞分類的實現和提升准確性，也有重要的意義。

4、優缺點

基於內容的推薦演算法有幾個明顯優點：

對用戶數量沒有要求，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。

每個用戶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用戶的閱讀歷史決定，所以沒辦法挖掘用戶的潛在興趣;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。

基於用戶的協同推薦

終於，經過團隊的努力，你的產品已經有了大量活躍用戶了，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。因為你所有給用戶的內容都是基於他們的閱讀習慣推薦的，沒能給用戶「不期而遇」的感覺。

於是，你就開始做基於用戶的協同過濾了。

基於用戶的協同過濾推薦演算法，簡單來講就是依據用戶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」，然後把這個群體里其他人喜歡的，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用戶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，這樣我在後台的興趣圖譜就更完善了。

1、用戶群體劃分

做基於用戶的協同過濾，首先就要做用戶的劃分，可以從三方面著手：

(1)外部數據的借用

這里使用社交平台數據的居多，現在產品的登錄體系一般都借用第三方社媒的登錄體系，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用戶信息的，往往包括性別，年齡，工作甚至社交關系等，這些信息對用戶群劃分很有意義。

此外還有其他的一些數據也能借用，例如IP地址，手機語種等。

使用這些數據，你很容易就能得到一個用戶是北京的還是上海的，是大學生還是創業者，並依據這些屬性做准確的大類劃分。

比如一篇行業投資分析出來後，「上海創業圈」這個群體80%的用戶都看過，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，彈框詢問用戶是男是女，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，性價比偏低，只能詢問兩三個問題並對用戶的推薦內容做非常粗略的劃分，同時要避免打擾到用戶;這種做法算是基於用戶個性化的雛形。

(3)對比用戶特徵

新聞的特徵加用戶的閱讀數據能得到用戶的特徵，那就可以通過用戶特徵的相似性來劃分群體。

最後總結，沒有一款完美的個性化推薦演算法，畢竟用戶的心裡你別猜別猜別猜，但是產品經理還是要結合自身產品不斷打磨演算法。

② 個性化推薦演算法

隨著演算法的普及，大量的產品有了個性化推薦的功能，這也成為內容類產品的標配。個性化定製化逐漸成為了互聯網思維的新補充，被提升到了越來越重要的地位。演算法推薦經過了很長一段時間的發展，才逐漸達到能給用戶驚喜的階段。比如在電商領域，推薦演算法可以挖掘用戶潛在購買需求，縮短用戶選取商品的時間，提升用戶的購物體驗；在新聞或段視頻領域，推薦演算法可以推送用戶喜歡的內容，提高用戶的閱讀效率，減少用戶選擇內容的時間，也增加了用戶在產品上的停留時長。

演算法應用階段

內容類產品發展初期，推薦演算法一般為「熱度演算法」，就是系統把熱點內容優先推薦送給用戶，完成熱點內容的高閱讀率。在積累了一定的用戶數據後，會發現用戶閱讀內容過於集中於熱點信息，長尾信息中的優質資源往往被忽略，造成資源浪費。「千人一面」的狀況已不是一個優質的解決方案，所以演算法逐漸演變為「個性化推薦」，也就是協同過濾的方法論支撐下的一種演算法。協同過濾能很好的根據用戶的喜好，推薦匹配的內容，減少資源浪費，增加用戶使用的友好體驗。真正做到「千人千面」。

推薦演算法的信息來源

第三方數據

一個新系統在初期沒有數據積累的情況下，可與第三方合作，互授部分信息共享。比如，很多系統支持微信登陸，這時候可以獲取客戶的微信信息，生活地點，部分生活習慣等。同時會獲取用戶的社交信息，共同好友越多表明圈子越相似，可以推薦更多相似的內容。

用戶行為數據

記錄用戶在系統內的使用習慣，可以准確的描述單個用戶的行為特徵，愛好特徵等有效的信息，系統根據提取出的分析結果，將內容與之匹配，完成更精準的推薦。如，某用戶經常瀏覽體育信息，系統將對應推薦更多體育相關的咨詢，省去用戶搜索篩選的時間。

基於生活習慣

基於生活習慣，生活常識的推薦，往往也可以作為內置的一個信息來源途徑。比如，外賣的app推薦用戶的餐廳，一般默認是位置優先，就近推薦，如果是快中午的時間段使用，系統默認推薦午餐，其次是晚餐。靠生活常識作出的系統演算法，可以更符合人類的習慣，給用戶更好的體驗。

熱度演算法

熱度演算法簡單的說就是把最核心的內容優先推薦，用新聞舉例，每一條新聞都具有實效性，隨著時間的推移，該條新聞的關注度降低，關注點被新的熱點新聞取代。量化以上的過程，把各個影響因素設定為變數，會得出以下的公式：

新聞熱度=初始熱度分+用戶交互熱度分-衰減熱度分

初始熱度分為新聞產生時，系統對新聞主體的預判熱度值。預判的分值一般為以下兩種模式，一種情況，按照新聞類別的不同，娛樂新聞大於財經新聞，大於國際新聞，大於文化新聞等等系統的預設，依次給出不同的初始熱度分；另一種情況，系統預置熱詞詞庫，用新聞的關鍵詞和詞庫的去匹配，匹配度高的，初始熱度分高。

用戶的交互熱度分也是一個變數，先要明確用的哪些行為會影響新聞熱度，然後對這些行為量化，加權或打分等方式。例如，網易雲音樂，用戶的聽歌，重復循環，收藏，評論，分享等行為，系統為每一種行為打分，求和後得出用戶交互的熱度分：

用戶交互熱度分=聽歌X10+循環X5+收藏X10+評論X5+分享X3

此公式還可以繼續細化，每一種操作的分值也可以作為變數，在產品前期時，傳播產品為主要任務，所以分享的加權要大一些，隨著網易雲的發展，社區的概念逐漸強化，評論區互動的加權會加大，所以評論的分值會增加，系統隨時調整分數加權，得出更准確的用戶交互的影響值。

衰減熱度分是一個隨時間變化而變化的數值，往往是一個函數的表達。用新聞舉例，新聞的熱度會隨著時間的推移而衰減，並且趨勢是越來越快，人們在接受新的熱點後，迅速忘記「舊聞」，直至熱度趨近於零。根據理論數據，構建函數，准確的表達衰減分值。

還有很多其他的影響因素，比如傳播次數，傳播層數，停留時長等等，都會影響熱度值，要想更精準的表達，就需要把涉及到的因素都作為變數，不斷完善演算法，才能更精準的完成推薦。

個性化推薦演算法

隨著用戶量的增加，產品日活的增加，用戶也不能僅限於千人一面熱點閱讀的模式中，個性化推薦在此時顯得尤為重要。個性化推薦有兩種常見的解決方案，一種是基於內容的推薦演算法，推薦內容往往是根據用戶的使用習慣得來，較為精準；另一種是基於用戶的協同推薦演算法，系統會根據以往使用內容，為用戶建模，然後根據群體中個體的使用習慣，推薦更多超預期的內容，達到預測推薦的效果。

基於內容的推薦演算法-預期內

基於內容的推薦演算法，靠收集用戶的使用習慣，進而推薦相關的內容。系統使用分詞庫匹配、關鍵詞匹配等等方式，達到內容的匹配，做到內容的精確劃分。比如，用戶瀏覽了某部科幻電影，系統就會按照該電影所對應的標簽，如科幻，然後系統推薦相同標簽的影片給用戶。

這樣的推薦方案，確定性強，推薦的內容都是根據用戶的歷史來確定，不能挖掘用戶的潛在需求。

基於用戶的協同推薦-超預期

做到精準推薦後，系統會繼續挖掘更潛在的推薦需求，給用戶超預期的推薦體驗。這就到了基於用戶協同推薦的階段。簡單的說，這種演算法是增加了用戶建模的環節，將同標簽的用戶群分，對比群體中單個個體的特徵，默認這種特徵為這類人的潛在特徵，再將此特徵內容推薦給同標簽的用戶，達到超預期的推薦效果。

比如，某用戶購買了一個蘋果手機，系統會將此用戶歸類為果粉，系統識別出很多果粉除了買蘋果的商品，還會購買小米作為備用機，這個特徵會被系統識別為潛在需求，推薦給果粉，減少果粉選擇備用機的時間。

這樣的推薦演算法，不僅能完成精準的推薦，還能給用戶小驚喜，讓系統「有溫度」。但是這樣的推薦方式，往往需要積累了大量用戶資料為基礎，才可以精確的完成。

③ 基於Hacker News的內容熱度推薦演算法

近期公司產品需要做一個內容推薦的功能，但限於人員和能力有限，經過調研，確定了一個簡單相對我們可以實現的方案。
一篇文章的產生，隨著用戶瀏覽、點贊、分享、收藏、評論，熱度逐漸攀升，進入榜單到推薦頁面，但隨著時間的推移，這篇文章也不能永久的霸佔榜單，讓後面新產生的文章沒有機會到推薦頁，因此也就有了時間衰減的因素，從而可以讓榜單能夠動態的變化，除了上面基本的原理以外，還需要人為干預因素，通過加權或者降權的方式來影響排名。

與最後的推薦指數呈正相關（注意不是成正比），影響其的因素有：

與最後的推薦指數呈正相關（注意不是成正比），用戶行為數據是決定一篇文章是否熱門的重要因素，通過對這些數據評級來進行調整行為分：

比如： 瀏覽+1分，點贊+3分，評論+8分，收藏+10分，分享+15分。

與最後的推薦指數呈負相關（注意不是成反比）

大部分內容屬於一次性消費品，用戶看過也就過了，若推薦榜單總是那麼幾條， 可能很快就覺得乏味 ，從而轉向別的產品。所以我們自然希望內容能不斷更新，而若只看初始熱度+互動熱度，那麼後來者必定很難超越前者。

所以還必須考慮一個因素就是時間衰減，通常這個也不是線性衰減，往往是一個指數函數：即過了一定時間後，持續衰減，熱度直到無限趨於0

運營或編輯人為干預來調整權重也很重要，畢竟演算法是死的，人是活的，雖然大部分都遵循這樣一個規律，但也不排除偶然或者極端情況，比如惡意刷榜，這時候就需要人為的干預

圖形曲線：

參數解釋：

H _init ： 初始熱度值，可以以用戶活躍度來衡量，比如以積分的形式，積分積累的途徑有：

在其他條件一定的情況下，初始熱度越高，其最終熱度也就越高

H _interact ：互動熱度值，根據用戶行為數據來衡量，參考點有以下幾項：

在其他條件一定的情況下，互動熱度越高，其最終熱度也就越高

H _time ：時間衰減因子， 加2是為了防止最新發表的會導致分母過小 ，這個值可調，在前期平台人數較少時調整大一些，在後期人數增長起來後，可以調整的小一些，比如，因為用戶對平台資源有一個消化時間。並不是一發出來就有數據的。

G ：重力因子，它決定了熱度隨時間下降的速度，前期平台人員較少時，相對應得發的資源也會比較少，這時可以把G調小一點，減緩時間推移對熱度下降的影響，後期平台人員增多時，相對應的資源也會增加，這時可以把G調大一點，加速時間推移對熱度下降的影響。比如：1.2-1.8

H _weight : 加減權重，初始值可以為0，在某些偶然或者極端情況下需要人為干預的時候，可以動態調整其值，使其能夠及時的控制其熱度。

④ 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。