本文主要从审核机制、排序算法、评论运营、个性化推荐切入，思考如何让评论区更有趣。
对一个互联网产品来说，好的评论运营逻辑可以营造强大的社区氛围，助力增长，如网易云音乐、抖音。
目前市面上流行的评论样式有：平铺式、主题式、盖楼式、对话式、混合式，大家都很熟悉。
（资讯APP评论区截图）
先回忆下我们在评论区活跃的动机有哪些？
听歌或阅读资讯APP时查看评论，主要是寻找共鸣或了解舆论风向（延伸阅读）；
当被提醒评论被回复/点赞（与己相关），情不自禁点击进入评论区。
基于上述用户在评论区的活跃动机，可将用户需求理解为：时效性（我要看最新的评论）、逻辑性（我要看懂评论）、趣味性（我要看最好玩或有用的评论）。
需求拆解完，我们来看看“让评论区FUN起来”的方案，下文主要从审核机制、排序算法、评论运营、个性化推荐切入，启发思路。
01 评论安全审核机制
同文章分发，评论的分发也需要安全审核机制，方式有：
先发后审
先审后发
处理优先级可遵循：流量热门的内容优先处理；重要账号的内容优先处理；高信用用户的内容优先处理。
安全审核机制和举报惩罚机制、用户头衔评级系统，共同构成评论土壤的守卫墙。除了以上官方的处理机制，还可以发挥用户“众志成城”的力量，共同维护评论或社区的内容生态，如下图：
（左：最右app，右：网易新闻）
评论清理的过程中，留意一些避免伤害用户参与积极性的小技巧。如先审后发的评论，仅用户自身可见、仅粉丝可见，待通过审核再取消曝光限制；评论删除同理，用户自身对评论仍可见，但该评论已从大众的曝光list中剔除。对一些“满怀恶意”且“屡教不改”的用户可进行禁言加黑名单的惩罚。
02 寻找优/劣质评论
以资讯APP为例，评论区展示逻辑一般有两种：热门评论（精彩评论）和最新评论，后者是以时间倒序排列，前者可以简单按点赞或回复数倒序排列，精细化运营可以有更多提升空间，整体思路是：找到优质/有趣的评论，制定合理健康的排序规则。
怎样从海量的评论中找到优质、有趣的评论，四字方针：除劣拔优。
先从文本入手，可以通过敏感词滤网和特征识别，将低质评论过滤掉，如：
有过多重复词
违禁词
错别字
字数少、纯表情、乱码
广告
也是通过文本特征，可以识别出对联、打油诗、押韵、角色扮演、深度答疑、讲故事这类具有特殊的文本结构的特色评论（前期需要做浓度摸底），可在排序环节加权或强插。
另一方面，从评论用户角度出发，一般来说哪些用户发表的评论质量比较高呢？（由于用户行为计算量较大，前期需要评估性价比）
头衔：评论头衔较高的用户评论活跃，这类用户的评论应该受到重视。
学历：高学历人群思考完整性相对较好，所使用的词汇可能会比较好，不容易出现“好好好、赞赞赞”等比较水的评论。
历史评论互动数：某个用户之前发表过的评论得到的点赞数特别多，可以在一定程度上帮助我们预测他的最新评论的质量。
用户画像：通过历史行为统计发现用户活跃的特征，提高一定的权重。例如某个活跃度较高的用户的核心兴趣是科技，内容消费大部分是科技内容，他在该领域可能有一定“深度”见解。
03 评论排序算法，如何克服“马太效应”？
点赞数是多数评论区常用来做排序的因子，但单纯依赖点赞数会产生一个问题：先发的评论有“前排沙发”的曝光优势，容易出现“霸榜”现象，后发优质跟贴被埋没，会打击用户的评论热情。可以尝试以下几种方法改善问题：
在算法加一个时间衰减因子能缓解这个问题。随着时间推移，这个因子变得越来越大的时候，会把先发评论的分数拉低。某些后发的评论，在有一定正向因子提权的前提下，可能会超过之前的评论，从而“夺位”成功。
在重排阶段加人工规则。如评论时间在文章发布后距今的后1/2时间段内的，进入提权插入队列。
在热门评论区中尾部开辟试投区逻辑。由机器筛选的后发优质评论，排队滚动，使后发的潜力评论进入“赛马”机制。
例如曝光量达到500次的时候，互动数需要达到一个预期值（这个数值可以是点赞数，也可以是其他关键行为），达到预期值的评论在排序中加权，未达预期值则进入下一条评论轮换。如此不断更新就可以保证有比较多的新增评论可以在评论区里不断被曝光。
热门评论的排序算法流程大致可类比推荐系统：
召回：过滤低质和不符合展示要求的评论
粗排：优质特征提权 & 时间衰减
重排：固定位优先插队 & 提权插队 & 试投插队
可能的相关因子一览表：
04 评论运营
为了提高用户的参与感，会叠加一些运营手段。如果想增加预想行为的发生概率，触发要显而易见，行为要易于实施，动机要合乎常理。
1. 评论气泡引导
目的是提高功能渗透率，这是新功能上线常用的推广手段，关注引导的时机和方式。
通过“机器候选人工挑选”的方式，给精彩评论盖章（突出）或置顶上热门，一能让用户快速看到精选评论，优先消费头部内容，二能形成官方肯定的反馈机制，其注意点是：做好内容质量把关，规避政审风险。
（左：皮皮虾，右：网易新闻）
3. 机器点赞或回复
评论互动冷启动是基于“人渴望得到肯定或其他积极的反馈”的心理需求。
根据“上瘾”模型（触发->投入->多变的酬赏->行动），酬赏分为社交酬赏、猎物酬赏、自我酬赏，社交酬赏指通过与他人的互动而获取的人际奖励，从而产生一种自我满足感、成就感，带着期望再投入下一次行动。让机器人分担冷启动工作，能在初始化阶段给用户制造“惊喜”，也能助力新产品走出鸡与蛋式困境。
4. 用户激励体系
根据用户生命周期设计用户成长体系，这个思路已经是互联网产品提留存的标配，不累述。
5. 评论玩法模板化、活动化
网易新闻评论区段子手频现，官方抓住这个特点开展了“开杠”、“造梗”、“赛诗节”等等，强化评论氛围强化跟贴文化印象。
（网易新闻评论玩法截图）
当评论区运营初见成效，不再满足于正文页的评论区，基于评论的特性，可以开拓哪些评论露出场景：
信息流：资讯阅读的延伸阅读场景
回流页/PUSH页评论区：资讯阅读的辅助场景
热议榜：提供热文+热议的消费入口
PUSH：运营玩法提醒，与己相关的评论互动提醒
开屏/banner/浮窗等营销场景：运营玩法提醒
05 个性化推荐的“相益得彰”
用户的评论行为对个性化推荐系统有什么收益？从用户维度，用户的评论行为（包括评论、评论点赞、评论区停留时长等）可以是用于排序的CTR预估模型的训练特征，也可以按评论活跃度将用户分层做功；从内容维度，可以对高评论内容单独召回推荐，也可以对高评论内容排序加权，这里可以给个性化推荐提供新的尝试方向。
以上所有的优化，无论是机器算化还是运营调控，宏观上可观测以下指标：
针对头部热点内容做精细化运营和引导，打造头部效应，对无意义内容进行下沉处理，是目前评论运营比较主流的做法。
反观现在很多互联网产品的评论区，戾气和怨气太重，吐槽一大片，这其实是背后产品策略放纵的结果。
将用户遇到的问题和设计者的解决方案频繁联系在一起，以帮助用户形成一种习惯，才能收获一种美好“预期”。
参考文献
《上瘾》[美]尼尔·埃亚尔，[美]瑞安·胡佛
