个性化热度

概述

传统的热门榜单采用统一的热度计算公式，对所有用户展示相同的内容排序。然而，不同用户的兴趣偏好存在显著差异，千人一面的推荐结果往往难以满足个性化需求。个性化热度通过引入用户兴趣因子，在基础热度分数上进行调整，实现「千人千面」的热点推荐。

个性化推荐原理

个性化推荐的核心思想是：热度 = 基础热度 × 用户兴趣系数。

基础热度反映内容在全局范围内的受欢迎程度，由牛顿冷却模型计算得出，考虑了时间衰减、初始爆发力等因素。用户兴趣系数则衡量内容与特定用户的匹配程度，取值范围通常为 [0.5, 2.0]：

• 系数 > 1.0：内容与用户兴趣高度匹配，提升排名
• 系数 = 1.0：内容与用户兴趣无关，保持原热度
• 系数 < 1.0：内容与用户兴趣相悖，降低排名

这种设计既保留了热点内容的时效性特征，又融入了个性化推荐的优势，使榜单既能反映全局热点，又能贴合用户偏好。

用户兴趣标签

用户兴趣标签是个性化推荐的数据基础，通常通过以下方式构建：

标签来源

1. 显式行为：用户主动点赞、收藏、关注的内容类别
2. 隐式行为：浏览时长、点击率、完播率等间接反馈
3. 内容分析：用户历史交互内容的关键词、主题、情感倾向
4. 社交关系：关注用户的兴趣偏好、圈子特征

标签结构

权重计算

标签权重采用时间衰减机制，近期行为权重更高：

权重 = 行为强度 × 时间衰减系数

时间衰减系数 = e^(-λ × Δt)
- λ：衰减率（通常取 0.1-0.3）
- Δt：行为发生至今的时间（天）

个性化热度分数

个性化热度分数的计算公式如下：

PersonalizedScore = BaseScore × InterestFactor × DiversityBonus

其中：
- BaseScore：基础热度分数（牛顿冷却模型输出）
- InterestFactor：用户兴趣系数
- DiversityBonus：多样性奖励（可选）

用户兴趣系数计算

InterestFactor = 1.0 + α × SimilarityScore

SimilarityScore = Σ(内容标签权重 × 用户标签权重) / Σ(用户标签权重)

α：调节参数，控制个性化强度（通常取 0.5-1.0）

示例：假设用户对「科技」类别的权重为 0.8，当前内容的科技标签权重为 0.9，α = 0.7：

SimilarityScore = 0.9 × 0.8 / 0.8 = 0.9
InterestFactor = 1.0 + 0.7 × 0.9 = 1.63

该内容的个性化热度将提升 63%。

多样性奖励

为避免信息茧房，可引入多样性奖励机制：

DiversityBonus = 1.0 + β × (1 - CategorySaturation)

CategorySaturation：用户最近浏览内容中该类别的占比
β：多样性调节参数（通常取 0.1-0.3）

当用户过度消费某类内容时，降低同类内容的排名，增加曝光多样性。

实现方案

架构设计

┌─────────────────┐     ┌──────────────────┐     ┌─────────────────┐
│   内容入库      │────▶│  基础热度计算    │────▶│  个性化调整     │
│  (牛顿冷却模型)  │     │   (BaseScore)    │     │ (InterestFactor)│
└─────────────────┘     └──────────────────┘     └─────────────────┘
                                                        │
                                                        ▼
                                               ┌─────────────────┐
                                               │   最终榜单      │
                                               │ (排序输出)      │
                                               └─────────────────┘

核心方案落地

性能优化策略

1. 预计算用户兴趣向量：离线计算用户兴趣标签，缓存至 Redis，查询时直接读取
2. 分层计算：先筛选出基础热度前 N 的内容，再进行个性化调整，减少计算量
3. 增量更新：用户行为发生时增量更新兴趣标签，避免全量重算
4. 异步计算：个性化分数计算采用异步队列，避免阻塞主线程

存储设计

数据设计要点

• 核心是在 user_interest_tags 里保存业务事实，而不是把规则散落在应用逻辑里。
• 索引服务于高频查询，重点是缩小扫描范围，而不是堆更多字段。
• 关键字段包括 user_id、categories、keywords、authors、recency_score、updated_at、content_id、score，它们决定后续查询和管理能力。

总结

个性化热度通过将用户兴趣因子融入基础热度计算，实现了热点内容与用户偏好的平衡。核心要点包括：

• 基于牛顿冷却模型的基础热度保证时效性
• 用户兴趣标签通过多维度行为数据构建
• 兴趣系数采用相似度加权计算
• 多样性奖励机制避免信息茧房
• 预计算 + 缓存策略保障性能

该方案适用于新闻资讯、视频推荐、社交动态等需要兼顾热点与个性化的场景。