1 經(jīng)驗(yàn)經(jīng)驗(yàn)谬运，食人間煙火

2 產(chǎn)品方法論

2.1 需求調(diào)研：

a 思考有多少種角色离福，使用方，服務(wù)方等全部考慮進(jìn)去澡屡。盡可能全面

b 用戶訪談：用戶訪談方式很多猿挚，核心用戶訪談（不同種類），如果有較多的用戶驶鹉，可以設(shè)計(jì)問(wèn)卷調(diào)查绩蜻。事先準(zhǔn)備好問(wèn)題，屬性實(shí)際應(yīng)用的業(yè)務(wù)流程室埋。包括用戶屬性办绝，業(yè)務(wù)屬性，流程場(chǎng)景姚淆。用戶訪談實(shí)地的形式很多孕蝉，可以實(shí)地考察，產(chǎn)品開(kāi)發(fā)測(cè)試人員頭腦風(fēng)暴（條件允許的情況下）腌逢，運(yùn)營(yíng)人員訪談等

競(jìng)品分析：競(jìng)品分析降淮，不是用幾天分析了某個(gè)產(chǎn)品搏讶，完成了一份報(bào)告佳鳖，而是從產(chǎn)品媒惕，用戶，數(shù)據(jù)三個(gè)維度去思考和分析妒蔚，競(jìng)品分析是貫穿產(chǎn)品工作的始終穿挨，所謂知己知彼，從用戶和數(shù)據(jù)絮蒿，查看用戶反饋,了解競(jìng)品存在的優(yōu)點(diǎn)和缺點(diǎn)。競(jìng)品數(shù)據(jù)可以查看的渠道：百度指數(shù)土涝，易觀千帆佛寿，企鵝智庫(kù)，App Store但壮，各大Android應(yīng)用市場(chǎng)。36氪弹渔，talkingDate溯祸，艾瑞網(wǎng)等

思考問(wèn)題的本質(zhì)，思考問(wèn)題的重點(diǎn)：比如現(xiàn)在做的是學(xué)生管理系統(tǒng)焦辅，有人提出要加論壇功能，第一思考問(wèn)題的是剃根，為什么加論壇前方，添加了好處是什么（其中給用戶的好處，給公司的好處）苗傅，和我們現(xiàn)在做的學(xué)生管理系統(tǒng)有什么關(guān)系（產(chǎn)品定位）班巩，投入產(chǎn)出比如何，有什么其他更好的解決方案趣竣。是否有運(yùn)營(yíng)維護(hù)人員等遥缕、又比如做分享功能宵呛，什么場(chǎng)景下用戶會(huì)主動(dòng)去分享

分析需求：需求越多，對(duì)產(chǎn)品掌握的也就越全面，做決策也就越清晰码秉，通過(guò)大量的需求調(diào)用鸡号，需求有真?zhèn)危休p重緩急府蔗，做什么需求能給產(chǎn)品帶來(lái)最大的價(jià)值汞窗，需要多種方式去評(píng)估。而不是滿足所有人反饋的需求不铆，需求堆砌不出好產(chǎn)品裹唆。

迭代需求獲取：產(chǎn)品內(nèi)部反饋品腹，各大論壇舞吭，貼吧，知乎羡鸥，微信群惧浴，平時(shí)有人的吐槽，都是獲取需求的渠道衷旅。

對(duì)于用戶反饋柿顶，反饋的次數(shù)多，一定要做嗎嘁锯，既不能完全靠數(shù)據(jù)統(tǒng)計(jì)，也不能完全依賴數(shù)據(jù)統(tǒng)計(jì)蝗羊。而是在錯(cuò)綜復(fù)雜中有蛛絲馬跡可循。

關(guān)于場(chǎng)景思考翔悠，特定時(shí)間涯呻，人物，環(huán)境存在特定的關(guān)系涝登，具象化效诅，同一時(shí)間同一地點(diǎn)同一人物對(duì)軟件的使用要求可能都有所不同，舉例子咽笼，相機(jī)拍照戚炫，聽(tīng)音樂(lè)，等等

3 產(chǎn)品架構(gòu)施掏，信息架構(gòu)

產(chǎn)品架構(gòu)茅糜，梳理功能層，業(yè)務(wù)邏輯層狸驳，呈現(xiàn)方式可以通過(guò)流程圖缩赛，思維導(dǎo)圖，方案等方式輸出

信息架構(gòu)梳理表現(xiàn)層酥馍，呈現(xiàn)方式，原型卤材，文檔峦失，功能清單等方式輸出

4 項(xiàng)目評(píng)審:項(xiàng)目背景尉辑，目標(biāo)，為了解決目標(biāo)隧魄，我們的方案。其中評(píng)審有兩種方式:一種是平常的梳理邏輯襟企，頁(yè)面交互狮含，框架權(quán)限等几迄。然后細(xì)化原型頁(yè)面。另外一種映胁，通過(guò)用戶故事的方式解孙，拆分用戶故事，小故事（最小可行性方案MVP）講解妆距，方便開(kāi)發(fā)人員理解需求和拆分實(shí)現(xiàn)需求

6 項(xiàng)目迭代娱据，規(guī)范上的，原型忌穿，禪道结啼，測(cè)試，項(xiàng)目上線等

7 查看用戶反饋朴译，統(tǒng)計(jì)數(shù)據(jù)（其中數(shù)據(jù)引導(dǎo)產(chǎn)品，用戶反饋引導(dǎo)產(chǎn)品躬翁，即互聯(lián)網(wǎng)思想盯拱，以用戶為中心），比如分享臺(tái)統(tǒng)計(jì)宁舰，查閱奢浑，點(diǎn)贊，分享印荔，評(píng)論等行為详羡，分享數(shù)據(jù)最多，而分享數(shù)據(jù)中各個(gè)模塊的比例又是多少水泉，重點(diǎn)研究分享模塊窒盐，對(duì)分享模塊的擴(kuò)展等

8 A/B測(cè)試蟹漓，A/B案

9 洞察用戶心理，產(chǎn)品食人間煙火份殿，求知嗽交，善斷。例如網(wǎng)易云音樂(lè)評(píng)論為什么活了：用戶的心理拾枣，回憶，共鳴司蔬，懶姨蝴，孤獨(dú)等。例如為什么會(huì)有小米粉（小米品牌會(huì)有人愛(ài)到骨子里，同時(shí)會(huì)有人討厭）炒辉，而華為這種現(xiàn)象就比較少

10 對(duì)運(yùn)營(yíng)的思考泉手，UGC，內(nèi)容產(chǎn)品缝裤，需要有矛盾颊郎，也需要平衡點(diǎn)。不展開(kāi)

11 游戲的上癮機(jī)制榛做。用戶粘性内狸，不展開(kāi)昆淡。

12 算法，個(gè)性化推薦

算法推薦內(nèi)容本身沒(méi)有對(duì)與錯(cuò)避凝，優(yōu)化的是推薦的準(zhǔn)確度眨补。推薦用戶想要的內(nèi)容。提高用戶留存佩谣，朝著人工智能發(fā)展实蓬。

產(chǎn)品提供需求:在什么情況下需要何種推薦

1 熱度算法

把熱點(diǎn)的內(nèi)容推薦給用戶:新聞的熱度分=初始熱度分+用戶交互產(chǎn)生的熱度分-隨時(shí)間衰減的熱度分

1.1 初始熱度分:新聞關(guān)鍵詞熱詞庫(kù)，匹配度越高调鬓，對(duì)應(yīng)的分值越高

1.2 用戶行為：如閱讀腾窝，收藏，分享驴娃，評(píng)論...? 根據(jù)權(quán)重賦予分?jǐn)?shù)循集，用戶行為公式：x*閱讀+y*收藏+z*分享+w*評(píng)論

1.3 時(shí)間衰退，可以利用學(xué)習(xí)過(guò)的數(shù)學(xué)公司

2 基于內(nèi)容的推薦算法

2.1 過(guò)濾特殊詞疆柔，如"啊镶柱，的歇拆，是"，一個(gè)關(guān)鍵詞在某條新聞中出現(xiàn)的頻率大谐区，在所有文檔中小逻卖，就是很好的熱度關(guān)鍵詞

2.2? 新聞1，和新聞2炼杖，相同的關(guān)鍵詞為準(zhǔn)則推薦新聞3盗迟，有個(gè)函數(shù)關(guān)系去關(guān)聯(lián)

3 基于用戶的協(xié)同推薦

基本原理：依據(jù)用戶A的閱讀喜好罚缕，為A找到興趣相近的人群。所謂人以群分黔衡，然后把群體中其他人喜歡的，但是A沒(méi)有閱讀的推薦內(nèi)容給A

4 標(biāo)簽夜牡，用戶畫像推薦算法：例如app注冊(cè)后侣签，讓你選擇所屬類型，職業(yè)等信息蹦肴，根據(jù)瀏覽型檀，購(gòu)買行為胀溺，對(duì)用戶形成用戶畫像皆看，根據(jù)用戶畫像去推薦內(nèi)容。

? ?4.1 內(nèi)容來(lái)源无埃。

熱度特征嫉称。包括全局熱度灵疮、分類熱度，主題熱度荔棉，以及關(guān)鍵詞熱度等蒿赢。內(nèi)容熱度信息在大的推薦系統(tǒng)特別在用戶冷啟動(dòng)的時(shí)候非常有效羡棵。

?4.2 過(guò)濾處理：通過(guò)停留時(shí)間短的內(nèi)容，過(guò)濾處理舌稀，即閱讀的停留時(shí)間起到篩選作用

? 4.3 懲罰機(jī)制：如果一篇文章，推薦給用戶沒(méi)有被點(diǎn)擊觉至，相關(guān)權(quán)重（類別睡腿，關(guān)鍵詞席怪，來(lái)源）權(quán)重會(huì)被懲罰

5 不感興趣：根據(jù)不感興趣，反向的用戶畫像

6 推薦重復(fù)的內(nèi)容碉纺。這個(gè)問(wèn)題的難點(diǎn)在于刻撒，每個(gè)人對(duì)重復(fù)的定義不一樣。舉個(gè)例子声怔，有人覺(jué)得這篇講皇馬和巴薩的文章醋火，昨天已經(jīng)看過(guò)類似內(nèi)容，今天還說(shuō)這兩個(gè)隊(duì)那就是重復(fù)柿冲。但對(duì)于一個(gè)重度球迷而言兆旬，尤其是巴薩的球迷，恨不得所有報(bào)道都看一遍慨亲。解決這一問(wèn)題需要根據(jù)判斷相似文章的主題宝鼓、行文愚铡、主體等內(nèi)容胡陪，根據(jù)這些特征做線上策略碍舍。

7 時(shí)空特征：分析內(nèi)容的發(fā)生地和時(shí)效性：例如在廈門發(fā)生的新聞片橡，推薦給北京，意義不大吹泡。但是可以根據(jù)熱度值经瓷，擴(kuò)張范圍

8 質(zhì)量：判斷內(nèi)容是否低俗舆吮，色情，是軟文和雞湯：通過(guò)深度學(xué)習(xí)算法訓(xùn)練潭袱，樣本庫(kù)非常大呐伞，圖片伶氢、文本同時(shí)分析瘪吏。謾罵模型的樣本庫(kù)同樣超過(guò)百萬(wàn)掌眠，用戶經(jīng)常出言不諱或者不當(dāng)?shù)脑u(píng)論，有懲罰機(jī)制级遭。

9 標(biāo)簽層級(jí)關(guān)聯(lián)：上面Root渺尘，下面第一層的分類是像科技鸥跟、體育盔沫、財(cái)經(jīng)架诞、娛樂(lè)干茉，體育這樣的大類，再下面細(xì)分足球俏蛮、籃球上遥、乒乓球粉楚、網(wǎng)球、田徑伟骨、游泳...携狭，足球再細(xì)分國(guó)際足球回俐、中國(guó)足球，中國(guó)足球又細(xì)分中甲单默、中超搁廓、國(guó)家隊(duì)...耕皮，相比單獨(dú)的分類器凌停，利用層次化文本分類算法能更好地解決數(shù)據(jù)傾斜的問(wèn)題

10 A/B 測(cè)試

11 內(nèi)容安全：針對(duì)大數(shù)據(jù)苦锨，有1%的內(nèi)容出現(xiàn)了安全問(wèn)題趴泌，就會(huì)產(chǎn)生較大的社會(huì)影響嗜憔。重視內(nèi)容審核氏仗，內(nèi)容審核，根據(jù)對(duì)簡(jiǎn)書的使用和理解呐舔，發(fā)布一篇文章珊拼，在自己的頁(yè)面可看流炕，發(fā)布正常每辟，實(shí)際上發(fā)布出去了嗎，沒(méi)有妹蔽，是系統(tǒng)智能去識(shí)別挠将，審核通過(guò)與否捐名。在發(fā)布一篇文章較短闹击，可以在短時(shí)間內(nèi)容審核完镶蹋，而文章篇幅較長(zhǎng)，審核的時(shí)間也就叫長(zhǎng)赏半，自己可以查看（是個(gè)假象贺归，發(fā)布者以為自己發(fā)布出去了），分享鏈接給其他用戶断箫，其他用戶在查看的時(shí)提示還在審核中拂酣，由于是c端產(chǎn)品，很大程度減少了用戶以為需要審核的等待時(shí)間仲义。

UGC和PGC：

PGC（Professional Generated Content）婶熬，專業(yè)生產(chǎn)內(nèi)容

UGC：

12 算法相關(guān)性

兩組數(shù)據(jù)剑勾≌月或者理解為兩組向量的相關(guān)性是強(qiáng)還是弱虽另，可以利用中學(xué)學(xué)過(guò)的余弦函數(shù)去做判斷，cosθ=(A*B)/(|A|*|B|)

例如：兩個(gè)新聞的關(guān)鍵詞雖然類似饺谬，講的卻是完全不同的內(nèi)容捂刺，相關(guān)性很弱。如果只是看關(guān)鍵詞重合度募寨，出現(xiàn)錯(cuò)誤判斷的可能性就很高族展；所以特征向量還需要有第二個(gè)關(guān)鍵詞的指標(biāo)，叫新聞內(nèi)頻率拔鹰，稱之為TF（Term Frequency）仪缸，衡量每個(gè)關(guān)鍵詞在新聞里面是否高頻。

關(guān)鍵詞在在所有文檔中出現(xiàn)的頻率的相反值列肢，稱之為IDF（Inverse Document Frequency）腹殿。為什么會(huì)是相反值？因?yàn)橐粋€(gè)關(guān)鍵詞在某條新聞出現(xiàn)的頻率最大例书，在所有文檔中出現(xiàn)的頻率越小锣尉，該關(guān)鍵詞對(duì)這條新聞的特征標(biāo)識(shí)作用越大。

這就對(duì)應(yīng)兩組數(shù)據(jù)决采，而兩組數(shù)據(jù)自沧，可以用余弦函數(shù)去做關(guān)聯(lián)，根據(jù)（-1 ~ +1）判斷關(guān)聯(lián)度強(qiáng)還是弱树瞭。