以图片社区为例，结合我的实践经验，从待解决问题、输入、计算逻辑、输出四要素，拆解热度算法如何设计。

一、背景

在内容社区中，热度算法是基于实际用户反馈行为，比如内容的点赞、收藏等数据，而实时计算得到的分数。热度算法用于衡量内容的流行度，做对应的质量评估。这里的“质量”，更多代表的是内容受用户欢迎程度。热度高，表示当前内容受更多用户欢迎，十分流行；热度低，表示图片较为冷门。

热度算法为了解决什么问题而存在？

它是为了从庞大的内容库中，简单高效地发现大多数人喜欢的头部内容，推荐给其他用户，从而满足他们的内容需要。《乌合之众》提到，人们在群体生活中，多有从众心理，偏好大多数人的选择。热度算法正是应用了大众心理，热度反映的是社区内部用户大多数的口味偏好。

二、价值

热度算法的价值在哪里？

维持老用户的活跃度。热度算法能够让老用户更高效地获取头部内容，及时感知到当前社区的热点。

以新浪微博为例，热搜榜凭借热度算法，快速挖掘热点新闻，让用户获取实时热点，带动了新浪微博整体的活跃度。吃瓜群众喜欢的娱乐圈八卦，如若干明星出轨事件，在热搜爆出后，让服务器几度宕机。

提高新用户的留存率。热度算法呈现的是社区更流行的内容，这能够让新用户之一时间感知社区作品的优质程度，大概率满足他们的内容需要，增加留下来的可能性。

以摄影社区图虫和视频社区B站为例，热门Tab的优先级很高，把当前最热的内容呈现给新用户，对提升留存是有很大帮助的。

三、算法

以图片社区为例，结合我的实践经验，从待解决问题、输入、计算逻辑、输出四要素，拆解热度算法如何设计。请记住，以下思路是可以复用的，不止是图片，其他形式的内容如文章、视频、音频都适用。需要注意的是，输入及计算逻辑需要结合你的具体产品和业务背景而定。

1. 待解决问题及期望输出

在热度算法中，待解决问题是如何量化图片在社区中的流行度。

期望输出热度排序，用于排行榜或基于一定规则下发至用户端。

2. 输入

从图片的生命周期来看，一张图片会经过四个阶段：刚发布、被其他用户消费互动、被官方推荐、成为旧图片。依此，我们可以考虑图片热度S拆分为三部分组成：

S1-初始分，指图片刚发布，没有任何消费互动时，赋予一定的初始分数。

S2-受欢迎分，指图片发布后，被其他用户消费互动，具备一定的受欢迎分数。

S3-推荐分，指官方运营可以对图片进行正负推荐，做一定的人工干预。

其中，正推荐可以对分数低但具备潜力的图片给予扶持，负推荐可以对分数高但不符合社区规范的图片进行抑制。

这三个子分数的输入来源，可以结合以下考虑：

初始分S1：用过往图片被精选次数或该用户的身份权重。由于我所在的产品，精选是由运营判断的，相对质量较好，而用户的身份如达人等相对缺乏持续运营，所以我选取精选数作为核心指标。

受欢迎分S2：在一定展示量下，该图片被点赞、评论、收藏、分享的次数/人数。以上是较为常规的关键指标，如果你的产品有其他更为关键的行为，可以做对应增删。

推荐分S3：S1和S2是图片本身自带的数据，而S3则是预留了一个运营干预的口子。这里的分数，可以做对应的运营辅助后台，由运营同事手动设置。正推荐则加分，负推荐则减分。

3. 计算逻辑

3.1 未考虑时效性的热度计算

图片热度S=初始分S1+受欢迎S2+正推荐分S3-1+负推荐分S3-2；

初始分S1=SUM（该用户过往图片被精选次数），精选次数封顶值为max；

受欢迎分S2=(h1*点赞数+h2*评论数+h3*收藏数+h4*分享数)/展示数，h1-h4为该行为的单次得分项，分数越高，表示该行为对内容更重要；

正推荐分S3-1=运营设定值，为正数；

负推荐分S3-2=运营设定值，为负数。

以上是未考虑时效性的分数计算，当图片成为旧图片时，我们更希望它能够为其他新图片让位。也就是热度降低，热度与时间成负相关关系。这时候我们引入时间衰减函数，对S1、S2和S3分别考虑时间的影响。

3.2 考虑时效性的热度计算