熱度算法與個性化推薦
熱度推薦算法
新聞熱度分=初始熱度分+用戶交互產(chǎn)生的熱度分-隨時間衰減的熱度分
Score=S0+S(Users）-S（Time)
注意：（1）初始分值根據(jù)話題熱度不同而不同 （2）熱詞匹配 （3）用戶行為的分值應(yīng)設(shè)置差異
基于內(nèi)容的相關(guān)推薦
分詞：建立正常詞庫與停用詞庫（助詞，介詞，動詞）
關(guān)鍵詞指標：TF（新聞內(nèi)出現(xiàn)頻率）越高降瞳，IDF（出現(xiàn)頻率反值）越低锁右，該關(guān)鍵詞的代表性就越強，這種建立文章標簽的方法稱為TFIDF模型
相關(guān)性算法：相同關(guān)鍵詞TFIDF重合計算=新聞的相似度
用戶特征：收集用戶特征后與文章的關(guān)鍵tap進行匹配
基于用戶協(xié)同推薦
用戶群體劃分：外部數(shù)據(jù)借用+產(chǎn)品內(nèi)主動詢問+用戶特征對比
內(nèi)容實施推薦：通過已有數(shù)據(jù)匹配相似用戶+提取差異內(nèi)容——推送
內(nèi)容選取：更具交互動作相似度為文章推薦提供優(yōu)先級
產(chǎn)品相關(guān)文檔
市場需求報告
競品分析
PRD
用戶體驗報告
啟示：產(chǎn)品需要掌握的是什么？
好產(chǎn)品來源于對細節(jié)的把握
