|
知乎团队在激励用户活跃度方面的诸多尝试，比如将“人”作为主要的传播节点，比如早在2012年4月就在个人主页加入了很多社交元素：个人资料新增“职业经历、居住地、教育经历、擅长技能”，会显示用户获得的赞同和感谢数。总结起来就是一方面引入了社会身份，一方面建立了知乎站内的荣誉体系。 知乎上的个人品牌和专业声望不是来自于职场中的profile和工作经验，而是用户通过回答问题、通过用户（不仅仅是业内人士）的点赞树立起来的。这是一套和传统职场完全不同的评价体系 这种基于持续回答问题不断为人所认识的社交方式，在所有的社交网站中无疑是门槛最高的。在知乎打造个人身份、品牌的超高门槛使得社区内涌现出了少数孜孜耕耘的“达人”。也贡献了大量高质量内容。 三、基于数据，挖掘用户兴趣 知乎上拥有大量的用户行为数据，这些行为也分轻重，不同的行为，会耗费用户不同的时间，用户对该事件的关注度也能够体现出来。此外，知乎上还有大量的文本信息，基于这些信息，知乎对于用户的兴趣点、擅长的领域的挖掘会更准确。 用户在知乎上的行为是多维度的；既包括比较轻的浏览阅读，又包括重一些的赞同、反对，还有更重的提问回答（这里的重和轻是根据用户操作成本来界定的）。知乎可以根据这些行为做用户的特征分析，基于各自不同的服务特点，所要分析的特征、采用的算法及其效果各有不同。基于行为和文本，知乎对用户的兴趣和擅长能有更准确的识别。 四、每周千亿次权重计算，分享用户专业度 现实社会中，人们对于某些领域的知识掌握会很深入，但个人精力有限，没有人能够全知到成为所有领域的专家。这种情况被映射到知乎上，即不同的用户在不同的话题领域下，他们的专业性是不同的。为了掌握这种不同，知乎给每个人，在每个话题下计算一个权重。计算的分值主要依据用户在知乎上的回答。当然，这里也会加入一些其他考量因素，包括其他专业人士对该用户的背书，用户的专业背景等。 这是知乎非常基础的数据设施，但这个数值计算的量级较大（100万回答用户10万话题＝千亿级别的数量计算），知乎对于权重判定每周都会进行全量的计算，也一直在调整优化中。 五、不断对答案排序算法优化，让高质量的问答更容易获得关注 知乎对答案排序算法进行优化，目的是让好的答案更靠前。随着用户量不断增加，早期最简单的答案排序规则出现了问题：一些答案友情赞同比较多，让专业性不足的答案被推到靠前的位置。于是，团队想到了给赞同票加权重的方法，基于每个人在话题下的专业权重进行计算，排序得到优化，能让大部分优质答案可以排到前面。虽然针对权重计算的优化仍然在持续进行，但知乎技术团队还是遇到了一些算法上的瓶颈。如：当问题下有多个发布较早的回答获得高票时，新的回答即使质量很高，也很难在问题页上获得足够的曝光，难以积累更多赞同票；另外，一些误导性、煽动性的高票内容，即使同时也有很多反对票，却仍然排在认真、严谨但票数相对较少的优质回答前。这些问题在专业领域内对参与讨论的用户造成的伤害尤其明显。 于是，知乎又设计了新的排序算法。使用威尔逊得分算法，即使前一步错了，现在这个新回答排到了前面，获得了更多展示，在它得到更多投票后，算法便会自我修正，基于更多的投票数据更准确地计算得分，从而让排序最终能够真实地反映内容的质量。该新算法年初发布之后，得到知乎站内用户热烈的反馈，很多专业的讨论涌现出来，为知乎的下一步优化提供了很好的想法。 六、设计反垃圾系统封杀Spammer，删除垃圾内容 知乎有个反垃圾系统（名「悟空」），每一次用户提交请求都会经过「悟空」的分析处理，「悟空」会通过一系列包括发布频率侦测、文本分析、相似行为检测、用户可信度查验等几十条在线分析策略，作出判断，根据判断结果，系统会作出对应的处理动作，比如屏蔽请求，删除内容封禁帐号、限制行为等。「悟空」会基于正常用户的行为模式，检测异常离群点；不断输入Spammer的行为数据，以检测相似 Spammer行为。 七、内容的个性化推荐 知乎希望在首页给不同的用户、不同的时段挑选出最棒的内容，使用机器学习算法，知乎提供了不会重复的个性化内容排序。首页的内容会主要考虑这几方面： （责任编辑：职场达人） |
