本文针对刚起步与用户量不大的UGC内容社区，分享了两种基于内容热度的推荐展示规则，同时结合了目前几大UGC内容社区案例进行展示。
首先科普一下社交产品、社区产品、UGC、PGC的含义：
社交产品：以沉淀用户关系链为主，体现在：如何让用户之间建立关系、保持关系、升华关系；
社区产品：以沉淀内容为主，体现在：如何让用户生产、消费内容，如何为用户呈现内容；
UGC：指用户原创内容平台，如抖音、知乎、Instagram、小红书、IN；
PGC：指专业化、规模化生产内容的平台，如爱奇艺、优酷、早期的腾讯新闻。
以上分别为Instagram、小红书、即刻的内容信息流，分别代表了UGC内容社区三类典型的布局方式：纯图片信息流、图文缩略信息流、图文详情信息流，在数据层面它们都有一些相似特征：
每次下拉刷新内容会变化；
内容几乎不会重复出现；
内容的点赞、转发、评论等数据都相对较高。
以上方App内容信息流为示例，分享2个基于内容热度的推荐展示规则，适用于刚起步与用户量不大的UGC内容社区，抛砖引玉，仅供学习与交流。
热度随机曝光规则
方案目的：
热度高的内容应得到高曝光；
尽可能多的向用户曝光内容；
应用场景：
发现、推荐、探索类信息流。
上图是小红书的内容详情页，包含有点赞、收藏、评论、转发这些基本数据，所以我们需要拿到这些数据设计规则并进行排序计算，如果想把规则做得更精准，则可考虑把页面停留时间、页面跳出率等埋点数据纳入计算。
热度排序
首先判断：点赞数高低，更高的靠前；
如果点赞数相等：判断收藏数，更高的靠前；
如果收藏数相等：判断转发数，更高的靠前；
如果转发数相等：判断评论数，更高的靠前；
如果评论数相等：判断发布时间，发布更早的靠前。
排序规则的判断指标、先后顺序，都可以根据实际业务调整。
数据过滤
在所有作品中，取出发布时间在5天内的作品，挑入备选池；
对备选池里所有的数据，使用热度排序规则进行排序计算；
取出排序后数据中排名前20%的作品，挑入曝光池；
如果排名前20%的作品数量，不足曝光池限定的最小数量如400，则应把另外80%的作品，按排名依次填充到曝光池中，直到满足最小数量要求。
如果不设定曝光池的最小数量限制，则可能导致计算后的数据不足，内容无法饱和填充。
经过以上步骤，就过滤出了社区中一段时间内热度较高的作品数据，其中5天，20%，400这3个参数，可根据实际业务调整。
刷新机制
方式1：每 x 小时执行一次规则；
方式2：监控新作品增量，当增量达到 n 时，执行一次规则。
数据返回
每次请求的数据，都随机返回；
当分页数据被请求到末尾后，继续从数据头部开始返回，保持数据循环展示。
保证每位用户的每次信息流下拉操作，看到的都是随机数据，提高了曝光池中每一份作品的曝光几率。
如果有进一步精细化曝光的需求，则可以考虑对热度不同的作品分权重曝光，如在小红书信息流的示例图中，有8155点赞量的作品，也有30点赞量的作品。
方案2：历史热度排名规则
方案目的：根据热度展示内容与排名；
应用场景：热门类信息流。
热度排序
首先判断：点赞数高低，更高的靠前；
如果点赞数相等：判断收藏数，更高的靠前；
如果收藏数相等：判断转发数，更高的靠前；
如果转发数相等：判断评论数，更高的靠前；
如果评论数相等：判断发布时间，发布更早的靠前。
排序规则的判断指标、先后顺序，都可以根据实际业务调整。
数据过滤
对社区中所有作品按热度排序规则进行排序计算，且要排除已进入热门池的作品；
取出排名前 x 名的作品，放入热门池的子列表中；
子列表再放入父列表中，按照子列表的创建时间倒序排列；
如果当前计算中发现无可用作品，则本次计算直接跳过，等待下一次计算；
如果整个平台的可用作品数量 < x，则有多少就展示多少内容。
刷新机制
方式1：每 x 小时执行一次规则；
方式2：监控新作品增量，当增量达到 n 时，执行一次规则。
该方案在目前的移动互联网中，实际应用的场景已不多，但在少数web端的产品中如：虎嗅、36氪的信息流中，还能看到影子。
在目前的信息流展示策略中，最受认可的实属头条系的兴趣推荐算法，但对于普通企业来讲建设成本极高，有兴趣的朋友可以自行了解一下。
以上，抛砖引玉，欢迎指教，期待更多交流与学习。
