我有一个应用程序，汇总各种体育内容（新闻文章，视频，用户讨论，推文），我正在努力拥有它，以便它将向用户显示相关内容。每个帖子都有一个相似的按钮，所以我用它来确定什么是受欢迎的。我正在使用reddit算法对其进行排序，但也会考虑时间因素。但是，我的问题是我想让每个用户更加个性化。每个用户应根据自己的喜好看到更多内容。我有几个因素我在测量： - 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 - 他们喜欢哪些球队/球员？如果新闻是关于他们喜欢的团队，那么应该更加重视 - 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，我会将文章的受欢迎度提高X倍。例如：用户比其他内容更喜欢70％的视频。我会将视频分数提高70％。
我正在寻找是否有更好的方法来做到这一点？我被告知机器学习是一个好方法，但我想知道是否有任何替代方案。
答案 0 :(得分：2)
这听起来像是您开始个性化用户Feed的好地方。
基于受欢迎度指标（喜欢，评论等），新近度以及您的案例内容类型的排名是Facebook过去使用的EdgeRank算法的基础。
您可以应用许多指标来尝试并提升参与度。某物 用户喜欢来自团队x的帖子，y次，所以如果帖子来自y则提升饲料中的活动（x），如果是更新则提升活动，如果它更受欢迎则提升活动等等...你可以开始看到这些EdgeRank算法你跟踪的指标越多，就会变得有点笨拙。此外，您设置的所有超参数都倾向于为每个用户修复，这对于每个用户来说都不会达到理想的排名算法。机器学习技术可以发挥作用的地方。
处理此类事物的主要算法类通常称为学习排名，并且可以在高级别上概括为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）
在你的情况下，使用新项目很可能会频繁更新的Feed，我会看看基于内容的方法。通常，这些算法围绕参与度量进行优化，例如用户将在其Feed中点击，查看，评论或喜欢活动的可能性。
一点点自我推销：我写了几篇博文，其中包含一些您可能感兴趣的博客文章。
https://getstream.io/blog/instagram-discovery-engine-tutorial/ https://getstream.io/blog/beyond-edgerank-personalized-news-feeds/
这可能需要花费很多时间，因此您还可以看一下使用像Stream（免责声明，我在那里工作）这样的第三方服务，帮助开发人员构建可扩展的个性化订阅源。