? ? ? ? 剛看到一篇關于信息流熱度排行，個性化推薦機制的文章，寫此文章總結下。本文雖思想參照的前輩的，但是也是自己原創。
? ? ? ? 首先說明信息既包括文字類的信息，也包括圖片，視頻，甚至商品信息等信息。
? ? ? ? 解釋下三個名詞：
? ? ? ? 熱度詞庫：該詞庫根據當前熱點來更新，添加方式有兩種，手動更新，抓取微博等成熟媒體熱詞。
? ? ? ? 標準詞庫：記錄該產品中可能出現的信息的所有關鍵詞。一般來說網上有專門的在線詞庫可供選擇。
? ? ? 停用詞庫：在檢索關鍵詞時候，需要舍棄的詞語，比如“我”，“想”等一些沒有實際含義的詞語。
一、信息熱度排行機制
? ? ? 此處信息熱度排行類似于微博的熱搜，百度風云榜，今日頭條的熱點等。當然此處的排行機制相比較于幾位大頭的算法機制較為簡單，但是對于熱度排行的學習還是有很大幫助的。
? ? ? 公式：信息的熱度（H）=信息的初始熱度（H0）+信息的交互熱度（H（User））-隨時間遞減的熱度（H（Time））
? ? ? 首先得出該信息的所有關鍵詞，方式：發布人自定義標簽＋系統根據標準詞庫和停用詞庫進行系統篩選。
1.信息的初始熱度（H0）
（1）第一種計算方法：根據該信息所屬的分類進行熱度計算。例如，娛樂類的S（0）= H * 1.5，體育類的S（0）= H * 1.2。
（2）第二種計算方法：計算該信息的所有關鍵詞與熱詞庫的匹配度。S（0）=匹配度*H。
2.信息的交互熱度（H（User））
H（User）=（1*閱讀數+ 2*推薦數+ 3*評論數+ 4*分享數）* N。
3.隨時間遞減的熱度（H（Time））
一個信息的熱度應該隨時間指數遞減的，所以H（Time）表示應該如下圖：
此處應為一個隨時間遞增的指數函數，一個點為引爆點。
二、個性化推薦機制
1.基于內容的個性化推薦
（1）首先得出該信息中關鍵詞集合。（根據標準詞庫以及用戶自定義標簽得出。）
（2）計算出關鍵詞集中單個關鍵詞對應的tfidf值，tfidf值= tf * idf,用于 衡量該關鍵詞對于該信息的重要程度，其中tf是指該關鍵詞在該信息內出現的頻率，idf指的是該關鍵詞在所有信息內出現的頻率的相反值，一般來講，tf，idf越高，該關鍵詞越具有代表性。
（3）得出該信息的特征向量。
（4）文章關聯性之間的應用。
計算兩個信息的特征向量，然后得出兩個向量的cos值。用cos值來表示兩個信息之間的相關性。這種常應用于相關文章推薦板塊，相關視頻推薦版塊。
（5）利用用戶特征向量來給用戶推薦信息。
當用戶閱讀完一條信息后，對于該信息會有一個信息的特征向量為：
對應的該用戶的行為向量為：
read,like,comment,share代表用戶的各種行為，1,2,3,4分別代表各種行為的權重（人為賦予。）
最終得出該用戶的特征向量為：
隨著用戶閱讀的信息量不斷增多，用戶特征向量越來越豐富，再用用戶特征向量與各個文章相匹配，就能進行個性化推薦了。
2.基于用戶的協同推薦
（1）獲取用戶數據信息
a.外部數據。微信登錄，qq登錄可以獲取昵稱，頭像。
B.主動詢問。例如，某些app會一開始詢問你性別，年齡等。
（2）根據獲取的用戶信息以及前面所說的用戶特征向量進行用戶分群。
（3）對于用戶X，他處于群體S（X，n），得出該群體的信息集合。分別得出用戶X分別與每一個信息的得分（第一個指標是用戶X與S（X，n）中每個用戶之間的關聯度，第二個指標是每個用戶對于該信息的關聯度）。
（4）根據每個信息的最終得分向用戶X進行推薦。
小結：以上都是基本的機制算法，實際運用當中，應該是結合使用，并且根據實際情況有側重點。
微信公眾號：多一點思考，歡迎關注
