认识达内从这里开始

随着移动互联网的不断发展，用户在使用的app软件也是越来越多了，那么如何才能让我们的软件获得更多的用户呢?这就需要我们通过不同的运营方法来精细化我们的推广战略，下面我们就一起来了解一下都有哪些方法可以使用吧。

1.调整参数的目的

首先在调整参数的时候，前提是明确调整参数的目的。针对具体的目的，使用对应的工具，然后才能达成具体的目的。对调整参数的目的简单做了一些总结，具体如下：

归一化处理

调整因素的影响力

信息论处理：热门降权和时间衰减降权

调整变化曲线

设定变化界限

2.归一化处理

归一化处理，通过处理让不同因素在一个范围内进行比较。举个例子，如果要比较专栏的影响力，需要综合考虑阅读量、点赞量、发表文章量这三个因素，直接相加显然是不可行，因为阅读量数量是点赞数的至少10倍，而点赞数也是发表文章数的几十倍。要让不同因素在一个变化范围内，这个时候就需要对进行归一化处理。

当然这样的处理方法也会有问题，比如受到极值影响比较大。而且如果大部分分值比极值低很大的数量级，则低分值将没有区分度，以阅读量为例，如果最大阅读量为十万+，而大部分专栏文章阅读量集中在500左右。这样直接除以极大值显然是不明智的。这个时候最好在处理前对数值进行调整。在之前的文章中提到的对数处理是个比较好用的方法。

3.调整因素的影响力

调整影响力的比较通用的办法有两种，加数值，乘以数值。

加数值能解决冷启动遇到的新内容权重过低的问题，比如，如果知乎答案完全按照赞同排序，则新发布的知乎答案，一开始在下面，不利于被更多人看见，如果新发布的内容自带20个赞参与排序，则能解决这一问题。

乘以数值能解决数值重要性的问题，如果希望某一因素在总排序中占据更重要的位置，则可以用乘法处理，比如，还是知乎内容排序的例子，如果完全按照赞同排序，要提高文章的排序权重，可以直接乘以某个系数。

4.信息论处理：热门降权、时间衰减降权、置信度提权

一个信息出现概率越小，信息量越大，如果一个信息越常见，包含的信息越小。这个在之前文章中提到的一个基础观点。在实际的策略公式中，从信息论的角度去考虑就能快速的理解策略，让最终结果更加符合预期。

热门降权以经典的图书推荐为例进行介绍。在图书推荐中买了的人还买了的策略中，有一个著名的哈利波特问题，因为哈利波特销量过高，几乎所有的图书都和它有关系。怎么处理呢?一个办法是用销量做流行度处理,降低流行度特别高的商品在排序中的得分。

时间衰减降权，顾名思义，让过去的信息权重更低，最近的信息权重更高。行为具有连续性，最新的行为包含了更大的信息量。在处理的时候也可以使用上面的数学形式，让更远的时间分数衰减更大。

置信度提权，是基于数据量越大信息越靠谱，在处理平均值，打分等的参数时候有比较好的应用。比如，在计算一个电影的排序的时候，在考虑多个因素中包含了电影观众打分，这儿时候应该是打分的人越多，电影打分的权重越高。

5.调整变化的曲线

一般而言未经加工的数值在策略中很难直接应用，比如：知乎点赞/阅读的比率。好的文章高一些，差的文章低一些。变化范围特别小。希望整体数值变化范围不变的情况下，怎么加大区分度?这个时候可以用一些曲线的性质。开方是个例子，0.25变为0.5,0.01变为0.1，而1处理后还是1。

6.设定变化的界限

防止一些极值产生对于计算的影响，设定变化界限也是常用的方法。比较暴力的做法是设定最大值，比如：当在阅读量计算中，阅读量数值大于10万，只取十万，防止大值的影响。

好了，关于如何进行精细化推广运营的方法就介绍到这里了，虽然内容比较枯燥无味，但是如果你认真学习和思考的话，对于自己的工作能力还是有很大的提升的。