编辑导语：在上一篇中，我们讲到了运营必需相识的内容分发计策——打压与推优；本文具体先容了推荐算法理会，好比我们泛泛在刷抖音时，你会发明他给你的推送都是你感乐趣的；本文对此做出具体阐明，我们一起来看一下。

推荐算法可谓今朝社区产物内容分发的标配，尤其是有抖音珠玉在前，精准的推荐结果和庞大的贸易乐成甚至让很多仿照者对本性化推荐近乎迷信。

作为运营，我们固然不需要参加算法的设计与coding，但若能对其背后的事情逻辑有一个根基的领略，更有助于我们完成计策过问与算法优化等事情，在与产物、研发同学相同时也不至于因常识盲区而闹出笑话。

一、推荐算法的事情流程

推荐算法在事情时有四个步调：获取数据、召回、排序、功效展示。

1. 获取数据

数据是推荐的依据，是算法抉择将什么样的内容推给谁的基础，主要包罗用户数据与内容数据。用户数据有根基画像（如年数、性别、地理位置等）和行为数据（如播放、点赞、评论、分享等）；内容数据有基本数据（如标签tag、宣布者权重等）和热度数据（播放、点转评等）。

2. 召回

数据库存有海量的内容，思量到计较负荷与及时性的要求，算法不行能在用户每刷新一次时，都对数据库中所有的内容计较分值排序一次；所以凡是会通过特定的法则召回指定命量的内容，视社区内容体量而定，这个数量凡是为几百到几千。

3. 排序

算法从数据库中召回的内容良莠不齐，而产物的目标则是将好的内容优先展示给给用户，故而需要对召回的内容做统一的打分排序。

4. 功效展示

将排序的功效映射到前端的槽位展示，等于用户所瞥见的内容信息。

二、推荐算法的种别

今朝主流的推荐算法，主要有风行度推荐（热度推荐）、基于内容推荐、协同过滤这三种逻辑；辅以人群推荐、标签推荐、运营过问等更简朴的机动计策。

算法的本质是“猜你最想看什么”，个中热度推荐认真找出当下最热门的内容；协同过滤与基于内容推荐认真找出你大概感乐趣的范例。

社区在应用算法时凡是会将上述几种逻辑别离加权然后殽杂计较，在技能受限或不需要本性化的社区场景也有单独利用热度推荐的环境，如B站的【热门】tab，皮皮虾的排行榜等。

后文将对几种推荐逻辑别离举办理会。

三、热度推荐

热度推荐等于按照内容的发生时间、播放、点赞、评论、分享等交互数据计较出时下最风行的内容，其数学道理相对简朴，举个例子：

如图即为某个社区产物帖子的热度计较公式，不必对公式惊骇，其道理很简朴，个中：

1）views：欣赏量，对欣赏量做了一次取对数，主要是为了防备某些欣赏量较大的内容异军突起，待在榜单迟迟不动。

2）recommendScore：点赞数，作为文章热门水平的思量因素。

3）articleComments：评论数，为了低落刷评论的影响，对其作了一次取对数操纵。

4）(age/2 + update/2 + 1) ^ i：分母是对时间因子的思量，宏观上来看，就是文章热度和建设时间成反比；细节上浮现为指数函数，可以通过对 i 变量的调控来改变时间因子在对热度的影响。

6）age：内容宣布时间

7）update：内容最后更新时间

8）i：重力因子，取值的巨细会直接抉择热门排序

对付同一内容，上面的计较公式均可化简为：

可以看出，热度和建设时间成反比，那么这个反比的值最终就由重力因子i 来影响。

假如想要突出新热内容、过滤时间过久的热门内容，需要增大重力因子，若是如同周热门和月热门则需要定时间要求依次逐渐降小i 值。

对付差异的变量i取值，热度随时间的衰减趋势如图所示：

举个实例，在我所运营社区的话题页面推荐流中，凡是凭据i=1来计较热度，以此担保内容天天的新鲜度；但当我在做一个每周热门榜单的项目时，则将i调解为0.5，低落时间衰减的影响，以此担保内容质量。

四、基于内容推荐

基于内容推荐，即通过算法识别内容的元数据，在用户欣赏或点赞过内容A时，为你推荐相似的内容B。