前言

超级APP功能越来越全，非超级APP的DAU都在下降，当失去增长红利之后，精细化迭代和精细化运营将成为必然选择。产品的工作的重点也需要从前端和交互的修改，转移到策略的制定。而产品策略在实现层，最终是以算法公式的形式输出的。

一个成熟的策略系统，会涉及多种重要的因素。如何保证这些策略公式在复杂的运算中发挥自己应有的作用，如何保证不同的数值能在同一纬度计算，这就涉及很多参数调整的策略技巧。

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

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。

最简单粗暴的归一化方式，就是直接除以数据中的最大值，那么所有值都在0~1之间，并保留原有的变化性质。即：

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《神奇的对数》中提到的对数处理是个比较好用的方法：

这样既保证了所有的数值在0~1之间，同时极值对最终分值的决定性影响也没那么大。

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。

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《搜索的原理》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。

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：

同样的如果分值都集中在很高的情况下，为了加大区分度，也可以用开方的逆运算。0.8处理后变为0.64，0.5处理后变为0.25，1处理后还是1：

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。

还有一些比较柔性的做法，比如用有界函数进行处理：

或者直接用之前文章《神奇的对数》中提到的对数也是不错的做法，会让大值影响减少：