我有一个聚合各种体育内容（新闻文章、视频、用户讨论、推文）的应用程序，我目前正在努力让它向用户显示相关内容。每个帖子都有一个赞按钮，所以我用它来确定什么是受欢迎的。我正在使用 reddit 算法对其受欢迎程度进行排序，但也考虑到时间因素。但是，我的问题是我想让每个用户更加个性化。每个用户都应该根据自己的喜好查看更多内容。我有几个要衡量的因素： - 他们观看/点击的每个内容有多少？例如：60% 的视频和 40% 的文章 - 他们喜欢什么球队/球员？如果新闻是关于他们喜欢的球队的，那么应该更重 - 他们更喜欢什么运动？用户可以关注多项运动
我目前在做什么： 对于上面列出的每个因素，我会将一篇文章的受欢迎程度分数提高 X。例如：用户喜欢视频的比例比其他内容高 70%。我会将视频的分数提高 70%。
我正在寻找是否有更好的方法来做到这一点？有人告诉我机器学习将是一个好方法，但我想看看是否有任何替代方案。
【问题讨论】：
听起来您的工作是开始个性化用户供稿的好地方。
基于流行度指标（喜欢、cmets 等）、新近度以及内容类型的排名是 Facebook 过去使用的 EdgeRank 算法的基础。
您可以应用许多指标来尝试提高参与度。某物 用户喜欢来自团队 x 的帖子，y 次，因此如果帖子来自 y，则通过 log(x) 提升 feed 中的活动，如果它是新的，则提升活动，如果它很受欢迎，则提升活动等等......你可以开始看到这些 EdgeRank 算法您跟踪的指标越多，可能会很快变得有点笨拙。此外，您设置的所有超参数往往对每个用户都是固定的，这最终不会为每个用户提供理想的排名算法。这就是机器学习技术可以发挥作用的地方。
处理这类事情的主要算法类通常被称为学习排名，并且可以在较高的层次上概括为 3 类。协同过滤技术、基于内容的技术和混合技术（前两者的混合）
如果您的提要很可能会频繁更新新项目，我会看看基于内容的方法。通常，这些算法会围绕参与度指标进行优化，例如用户点击、查看、评论或喜欢他们的提要中的活动的可能性。
一点自我推销：我写了几篇博客文章，其中涵盖了一些您可能会觉得有趣的内容。
https://getstream.io/blog/instagram-discovery-engine-tutorial/ https://getstream.io/blog/beyond-edgerank-personalized-news-feeds/
这可能需要承担很多工作，因此您还可以看看使用第 3 方服务，例如 Stream（免责声明，我在那里工作），它可以帮助开发人员构建可扩展的个性化提要。
【讨论】：