如何設(shè)計一個簡單的新聞聚合產(chǎn)品?

如何設(shè)計一個簡單的新聞聚合產(chǎn)品?文章介紹了制作極簡的新聞聚合產(chǎn)品的7步驟，好奇的你和我一起來看看。

你知道在三四線的縣城，用戶在哪里看新聞么?不是在今日頭條里，而是在微信中的那個騰訊新聞里。這是三線城市絕大多數(shù)人給我的回答。這或許說明一點：用戶沒有像設(shè)計師那樣的潔癖，期望每一個app都有明確的邊界。誰說不能在一個社交app里看新聞，我還要加一句，誰說不能在本地頭條里看全國頭條。說是這么說了，但是心里清楚這只是產(chǎn)品的外延，既然是外延就應(yīng)該追求做產(chǎn)品的性價比，所以才有了這個極簡的新聞聚合產(chǎn)品。

先定個產(chǎn)品的小目標：通過全技術(shù)的方式，給用戶提供一個高頻更新的新聞列表，運營可進行微調(diào)干預(yù)。

整個過程7步完成。

1、構(gòu)建標簽庫

標簽庫其實就是詞條庫，詞條哪里來?或者換一個問法，互聯(lián)網(wǎng)上誰最懂中文?答案當然是百度咯。跑到百度百科首頁一看，我們要的東西就躺在下面的紅框里。

那我們還客氣啥，爬呀，等等……1400萬是不是有點太多了?那我們就去掉一點吧，只留下名詞好了，這樣可以把詞庫控制在百萬量級。

2、抓取新聞

接下來，就是抓新聞，新聞哪里有，找門戶網(wǎng)站唄，公眾號app就算了，費時費力，爬PC站不是一樣的嘛，以體育為例，我們可以挑選新浪體育，搜狐體育，鳳凰體育，還有什么體育?你也看出來了其實我對體育無感，這里就假設(shè)有10個體育專題網(wǎng)站吧。

我們要抓的是熱門新聞，啥叫熱門，出現(xiàn)在第一屏的就是熱門，所以我們抓取的時候，只抓取首屏新聞。結(jié)果就是我有了一堆標題和鏈接，還有鏈接后面的正文。

3、建立新聞和標簽的關(guān)聯(lián)

現(xiàn)在到了建立新聞和標簽關(guān)聯(lián)的時候了，首先當然是要分詞，怎么分?呃，這個好像有很多自然語言詞庫的吧，你自己去找吧，分詞完了之后，計算各個詞的出現(xiàn)頻率，出現(xiàn)頻率越高說明它越可能是這篇文章的關(guān)鍵詞。出現(xiàn)在標題里的詞是不是比出現(xiàn)在正文里的詞更重要呢?所以你可以把標題里的詞加個N倍權(quán)重，N等于幾?關(guān)注我私信我就告訴你。

這里分出來的詞，其實就是標簽庫里的標簽。這樣每一篇文章就有一個對應(yīng)的詞頻由高到低的標簽列表了，太長了也沒用，就取TOP5吧。

這里有個問題留給你，既然文章要分詞，文章分出來的詞直接做詞庫不就好了，為啥要去百度爬呢?答案還是要關(guān)注我私信我才告訴你。

4、標簽熱度排序

現(xiàn)在我們?yōu)轶w育頻道選擇了10個數(shù)據(jù)源(就是新浪體育這樣的網(wǎng)站)，每個數(shù)據(jù)源下抓了50篇文章，每篇文章都有5個標簽，現(xiàn)在我們要看哪個標簽最熱了。我們的方式簡單得很，否則怎么說我們設(shè)計了一個極(jian)簡(lou)的產(chǎn)品呢，方法是如果一個標簽在一個數(shù)據(jù)源出現(xiàn)了，就加1，在10個數(shù)據(jù)源都出現(xiàn)了那就是10。通過這種方式你會得到每一個標簽的值，這個值除以數(shù)據(jù)源總數(shù)就是“熱度值”，在我們這里就是0.1到1之間的分布。

這個時候運營的妹子來亂入了，她說她的特長就是八卦，而且是先人一步的八卦，讓我們千萬要相信她判斷熱點的是否會大熱的能力。這句話的意思是：她想來人肉預(yù)先提升一個標簽的熱度值，雖然現(xiàn)在它還沒有大熱。嗯，平常關(guān)系辣么好，我不信也得做個姿勢選擇相信，于是就有了下面的線框。她可以調(diào)整一個標簽次的熱度值。

呀，最后怎么還有兩個詞連接在一起的?實際上多個詞比單個詞更接近于一個熱點事件。當然對于這種二元詞，計算方式和一元詞略有不同，細節(jié)此處不展開。

5、文章按頻道排好序

到這里我們已經(jīng)有了標簽的熱度排序，那文章的熱度怎么算呢?文章不是有5個標簽嘛，那個最高熱度值標簽的熱度就是文章的熱度。

實際上熱度只是文章的一個維度，要給文章排序，你自然還會想到以下的幾個維度：

質(zhì)量分：一篇結(jié)構(gòu)完整、圖片豐富的文章顯然具有更高的質(zhì)量

時效分：越新的越優(yōu)先，大家是來看新聞的嘛。

具體算法上可以用高斯衰減，比如72小時內(nèi)基本無衰減，超過72小時后每過12小時就衰減一點。說到衰減，最近看了采銅的效益半衰期理論感覺頗為受用，大意是：一個人管理自己日常的行為，可以考慮這個行為對自己長期受用程度來衡量，有些事情效益半衰期很長比如讀書和健身，就應(yīng)該多做，另外一些事情效益半衰期很短比如游戲，就可以少做。

扯一扯防松一下，接回來說。

文章要排序，就是看這3個因子，編一個數(shù)據(jù)公式把：熱度分，質(zhì)量分，時效分串起來計算出一個數(shù)值就ok了，想要公式?好像不是很方便哎，再說你那么聰明，自己也能搞出來。

6、按頻道權(quán)重整合輸出

文章有了排序，下一步直接輸出么?可是當前我們只有一個全國新聞頻道，細分分頻道啊，個性化呀那都是以后的事情，極簡系統(tǒng)就是千人一面的啦。所以下一步我們要定一下各種頻道的內(nèi)容如何混在一起。這個沒有啥技術(shù)含量，就是給各個頻道定個權(quán)重，然后按這個權(quán)重計算個比例去混合就好了。技術(shù)上可確保，用戶看的越多，實際比例就越接近預(yù)先定義的權(quán)重分布

咦，好像漏了說文章屬于什么頻道的了。在我們第2步里決定去哪些數(shù)據(jù)源抓新聞的時候就決定了。每個數(shù)據(jù)源都對應(yīng)了一個頻道， 那么從這個數(shù)據(jù)源里抓取的文章也就對應(yīng)了一個頻道。主要的幾個頻道是：社會、娛樂、體育、汽車、歷史、房產(chǎn)、科技、財經(jīng)、軍事、國際。

7、過濾用戶已讀

終于來到了最后一步，作詩也沒這么累啊。

對于全國新聞這種用之不盡、取之不竭、看過就忘、不看兩遍的題材來說，給用戶最好的閱讀體驗就是每次都給他沒看過的，過濾掉所有已經(jīng)看過的。

那如何盡可能簡潔地實現(xiàn)呢?簡潔的本質(zhì)就是照顧主要場景忽略次要場景。主要場景是用戶每幾個小時打開一次，打開一次看十來分鐘。如果我們每小時爬取的新聞數(shù)足夠多，衰減做的足夠高，是否需要過濾已讀都是可以商量的了。實操里，我們還是記錄了用戶的已讀信息，然后一次請求里返回足夠多的新聞，比如10個頻道每個頻道300篇，也就是3000篇，然后再過濾一下，性能上完全可接受，主要場景里也不會出現(xiàn)新聞看完的情況。

總結(jié)一下：

在設(shè)計這個熱門新聞列表產(chǎn)品的過程中，主要是幾個點：

新聞的熱度本質(zhì)上是標簽的熱度，標簽用百度的詞條。

標簽的熱度其實就是同時出現(xiàn)在多個網(wǎng)站上的頻度。

文章的排序就是文章熱度分，質(zhì)量分，時效分的綜合打分。