了解綜合排序的使用場景以及與個性化推薦的區(qū)別；了解綜合排序的影響因子以及常見的排序方法；基于業(yè)務(wù)需求對列表中的字段進行排列，輔助決策。

《數(shù)據(jù)處理之搜索如何命中》中說到了搜索結(jié)果的排序其實是對文本數(shù)據(jù)和業(yè)務(wù)數(shù)據(jù)得分的計算，那么對于非搜索場景下的列表應(yīng)該如何排序呢？

有兩種排序方式：單一維度排序；綜合排序。單一維度排序就是將所有的內(nèi)容按照某一維度進行排序，比較簡單不再贅述，主要說一下綜合排序。

一、定義

綜合排序就是綜合數(shù)據(jù)的多個維度進行排序，以搜索數(shù)據(jù)表為例，綜合排序涉及數(shù)據(jù)表的上傳時間、查看次數(shù)、更新周期、被搜索次數(shù)、熱度等維度，每個維度都有相應(yīng)的權(quán)重值，通過一定的公式計算出每個物品的“得分”進行降序排列。

二、使用場景

用于展示具有一定量級的數(shù)據(jù)且數(shù)據(jù)有多個指標維度，需要將某些高質(zhì)量的數(shù)據(jù)突出展示，可使用綜合排序，為每個維度值賦予一定權(quán)重。

用于展示搜索結(jié)果，需要根據(jù)命中字段、時間、搜索次數(shù)等維度進行綜合排序。

可搭配多個單個維度排序規(guī)則使用。

Q：綜合排序與個性化推薦的區(qū)別，可否用個性化排序代替綜合排序？

A：個性化推薦需要大量的數(shù)據(jù)，需要對用戶、數(shù)據(jù)進行建模并不斷訓(xùn)練優(yōu)化，因此對于有限數(shù)量（幾百至幾千）的結(jié)果展示，可采用綜合排序的方法，將優(yōu)質(zhì)內(nèi)容推薦給用戶，同時也大大降低了開發(fā)成本。

關(guān)于個性化推薦：

個性化推薦是根據(jù)用戶的興趣、特點和行為，向用戶推薦用戶感興趣的信息和內(nèi)容。在個性化推薦系統(tǒng)中，需要基于用戶的基本信息和行為對用戶進行建模，同時基于物品的特征和信息對物品進行建模，將兩者進行匹配篩選，找到用戶可能感興趣的推薦物品，最后推薦給用戶。

常用的個性化推薦方法有：

① 基于內(nèi)容推薦：分析用戶看過的內(nèi)容（歷史內(nèi)容等 ）再進行推薦；

② 基于用戶的協(xié)同過濾（UserCF）：給用戶推薦和他興趣相似的其它用戶喜歡的內(nèi)容；

③ 基于物品的協(xié)同過濾（ItemCF）：給用戶推薦和他之前喜歡的物品相似的物品；

④ 基于標簽的推薦：內(nèi)容有標簽，用戶也會因為用戶行為被打上標簽，通過給用戶打標簽或是用戶給產(chǎn)品打標簽為其推薦物品。

除此之外，還有隱語義模型推薦（LFM）、社會化推薦、根據(jù)時間上下文推薦、基于地理位置的推薦（LARS）等方法，各種推薦算法是可以疊加在一起的，根據(jù)不同算法的權(quán)重調(diào)整，給用戶最為精準智能的推薦。

三、排序方法

提供兩種排序方法：多維度分別單一排序；按總分值進行排序。

1. 多維度分別單一排序

定義：為每個維度定義排序方式（升序or降序），當A維度相同的情況下，按照B維度排序，若此時B維度相同，再按照C維度排序….直到最后一個維度，如果還相同，這時候就要看是隨機排序，還是按照唯一不重復(fù)的值進行排序。

使用場景：

• 適合維度較少，或者場景不復(fù)雜的情況；
• 適用于維度對結(jié)果影響非常明顯的情況；
• 需要排序的維度之間重要程度有明顯的不同。（若不同維度之間并沒有絕對的誰比誰重要的關(guān)系，不適合用此排序方式）

2. 按總分值進行排序

將多個不同維度（不同單位）的因素綜合到一起的方式有很多，比較常用和簡單的就是普通線性加權(quán)。（一般需要和pm一起確定因子和權(quán)重）

（1）普通線性加權(quán)

普通線性加權(quán)是將維度賦予一定的權(quán)重，然后將不同的維度乘以各自的權(quán)重再進行累加，如下樣式：

總分=維度A*維度A權(quán)重 +維度B*維度B權(quán)重 + 維度C*維度C權(quán)重 +……+維度N*維度N權(quán)重

舉例：當我們在某平臺購買東西時，物品排序受到瀏覽量、成交量和價格的影響，賦予一個權(quán)重值，瀏覽量：1分、成交量4分、價格5分。

那么 各個物品的得分=瀏覽量*1+成交量*4+價格*5；排序為：A>B>C

如果按照這個公式進行計算的話，會出現(xiàn)問題。首先我們期望價格越低越好，而通過這個公式計算價格越高，得分越高排名越靠前，顯然這是不對的。

問題出在哪呢？沒有歸一化

（2）歸一化加權(quán)

歸一化加權(quán)是將維度值進行細分，從產(chǎn)品業(yè)務(wù)角度出發(fā)賦予不同的系數(shù)，也是最通用的一種方法，樣式如下：

總分=（維度A權(quán)重*歸一化的系數(shù)值a） + （維度B權(quán)重*歸一化的系數(shù)值b）+ …… + （維度N權(quán)重*歸一化的系數(shù)值n）

關(guān)于如何定義各維度的歸一化系數(shù)值，提供以下幾種方法供使用：

方法一：按照階梯分段進行處理

以瀏覽量為例：

• 當瀏覽量小于100時定義系數(shù)為0.1，
• 瀏覽量100~500時定義系數(shù)為0.2，
• 瀏覽量500~1000時定義系數(shù)為0.3，
• ……瀏覽量越高，系數(shù)越高（小于等于1）。

當瀏覽量特別多的時候，如10萬，此時數(shù)量已經(jīng)不那么重要了，可以將超過10萬的瀏覽量的系數(shù)定義為0.9。有時候為避免馬太效應(yīng)，甚至可以將系數(shù)降低，給予一定的懲罰（涉及到降權(quán)）。

方法二：按照百分比進行處理

仍以瀏覽量為例：

• 將瀏覽量由小到大進行排序，前5%的系數(shù)為0.1
• 5%-10%的系數(shù)是0.2；
• 10%-20%的系數(shù)是0.3；
• 20%-30%的系數(shù)是0.4
• ……

方法三：按照線性函數(shù)轉(zhuǎn)化處理（線性歸一化）

系數(shù)=（A-min）/（max-min），將數(shù)據(jù)值映射到[0, 1]之間。

這種處理方法的缺點是若數(shù)值集中且某個數(shù)值很大，歸一化后各值接近于0，并且將會相差不大，（如 1， 1.2， 1.3， 1.4， 1.5， 1.6，50）這組數(shù)據(jù)。當有新數(shù)據(jù)加入時，會導(dǎo)致max和min的變化，需要重新定義。

方法四：按照對數(shù)進行處理

這個方法很適合處理極值，經(jīng)常用在數(shù)據(jù)分化比較大的場景，有些數(shù)值很大，有些很小。這里一般使用Y=a*log10（X）+b的形式，通過調(diào)整a與b來根據(jù)數(shù)據(jù)調(diào)整曲線。

四、優(yōu)化調(diào)整

給定初步的權(quán)值之后可以進行灰度（甚至直接上線），根據(jù)實際結(jié)果不斷調(diào)整系數(shù)和權(quán)重值，在產(chǎn)品的發(fā)展過程中，也需要根據(jù)各階段的側(cè)重點的不同來調(diào)節(jié)權(quán)重和系數(shù)。

作者：墨白，公眾號：UED_family

本文由 @墨白 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自Unsplash，基于CC0協(xié)議