內(nèi)容產(chǎn)品熱度分發(fā)設(shè)計邏輯介紹[產(chǎn)品經(jīng)理培訓(xùn)]

熱度分發(fā)

內(nèi)容產(chǎn)品的一個優(yōu)勢，就是用戶會產(chǎn)生海量的內(nèi)容。但是UGC內(nèi)容存在質(zhì)量參差不齊，上下限差距明顯的情況。對于產(chǎn)品發(fā)展而言，需要從這海量的內(nèi)容中篩選出較為優(yōu)質(zhì)的內(nèi)容，集中向用戶展現(xiàn)，滿足用戶對高質(zhì)量內(nèi)容消費的需求，從而提高用戶的粘性和忠誠度。

那么，如何篩選出優(yōu)質(zhì)內(nèi)容，并設(shè)計篩選的規(guī)則呢?

熱度規(guī)則設(shè)計邏輯

首先，我們得定義何為優(yōu)質(zhì)，也就說，什么樣的內(nèi)容是優(yōu)質(zhì)的。對于內(nèi)容而言，優(yōu)質(zhì)體現(xiàn)用戶行為上，就意味著用戶對內(nèi)容有閱讀、點贊、評論、收藏等行為。而這些行為維度，即可作為衡量內(nèi)容的質(zhì)量的標(biāo)準(zhǔn)。

其次，衡量內(nèi)容質(zhì)量，需要綜合考慮多個用戶行為維度，而不能是單一的維度。比如，一篇文章如果有很多用戶點贊，可認(rèn)為很多用戶喜歡，這篇文章算是優(yōu)質(zhì)內(nèi)容;而另外一篇文章點贊的很少，但是有很多評論，說明這篇文章的觀點不受用戶贊成進(jìn)而引發(fā)很多爭議。但是，內(nèi)容的優(yōu)質(zhì)應(yīng)該是用戶行為而不是立場的體現(xiàn)，點贊多的和評論多的都應(yīng)該算是優(yōu)質(zhì)內(nèi)容。

然后，為了綜合考慮多個用戶維度，需要定義一個通用的、可量化的熱度值，并以此多為分發(fā)依據(jù)。

分發(fā)規(guī)則設(shè)計邏輯

制定熱度分發(fā)規(guī)則需要考慮到一個時間因素，避免出現(xiàn)“好的永遠(yuǎn)好、差的永遠(yuǎn)差”局面。

舉個例子，對于一篇文章，如果一開始它的熱度很高，它就會獲得更高的分發(fā)量，根據(jù)漏斗模型，它后續(xù)獲得的閱讀、點贊、評論等用戶行為也會更高，從而進(jìn)入一個良性循環(huán)，熱度越來越高。而對于那些一開始熱度很低的文章，獲得的分發(fā)很少，用戶行為也會很少，熱度就會一直很低，進(jìn)入一個惡性循環(huán)。如果出現(xiàn)這種局面，從用戶的視角來看，他每次都會看到的內(nèi)容都差不多，永遠(yuǎn)是那些熱度高的，從而導(dǎo)致用戶新鮮感下降，不利于用戶活躍度，也會打擊低熱度內(nèi)容生產(chǎn)者的積極性。

規(guī)則案例

下面，我們通過一個模擬場景來設(shè)計一套熱度分發(fā)規(guī)則。

場景：一個內(nèi)容社區(qū)，有文章和視頻兩種內(nèi)容，文章和視頻都可以被點贊、評論、分享和收藏。社區(qū)有一個熱門內(nèi)容推薦列表，給這個列表制定一個分發(fā)規(guī)則。

熱度規(guī)則：通過點贊、評論、分享和收藏這4個維度來作為熱度值計算依據(jù)。定義內(nèi)容熱度值S=點贊數(shù)量*1+評論數(shù)量*2+分享數(shù)量*2+收藏數(shù)*2。

分發(fā)規(guī)則：

規(guī)則1.篩選24小時內(nèi)發(fā)布的的全部內(nèi)容

規(guī)則2.篩選24小時至72小時前發(fā)布的S>=30的全部內(nèi)容

1.將滿足規(guī)則1的內(nèi)容按照發(fā)布時間由近至遠(yuǎn)排列，滿足規(guī)則2的內(nèi)容分別按照分值從高到底排列。分頁推送，每頁8條，滿足規(guī)則1和規(guī)則2的內(nèi)容各4條，按照發(fā)布時間由近至遠(yuǎn)排列;如果滿足某個規(guī)則的內(nèi)容數(shù)量不足4條，則由其他內(nèi)容填充滿8條，上滑翻頁

2.下拉刷新，推送本次刷新與上次刷新之間產(chǎn)生的滿足規(guī)則1和規(guī)則2的內(nèi)容，根據(jù)分值從高到低排列，每次刷新最多推送8條，不足8條則推送實際數(shù)量

在這個分發(fā)規(guī)則下，即綜合考慮了多個用戶行為維度，也避免出現(xiàn)高熱度文章永遠(yuǎn)在頂部而低熱度文章(比如剛發(fā)布的)得不到推薦的機(jī)會。

小結(jié)

除了內(nèi)容產(chǎn)品，熱度推擠也適合其他業(yè)務(wù)場景，比如電商。有興趣的同學(xué)可以嘗試設(shè)計一套電商熱銷商品的推薦規(guī)則。

什么是用戶畫像？用戶畫像推薦原理介紹