你知道在三四線的縣城，用戶在哪裏看新聞麽？

不是在今日頭條裏，而是在微信中的那個騰訊新聞裏。

這是我在安徽青陽做用戶調研時絕大多數給我的回答。這或許說明一點：用戶沒有像設計師那樣的潔癖，期望每一個app都有明確的邊界。

誰說不能在一個社交app裏看新聞？我還要加一句，誰說不能在本地頭條（我正在負責的產品）裏看全國頭條？

說是這麽說了，但是心裏清楚——這只是產品的外延，既然是外延就應該追求做產品的性價比，所以才有了這個極簡的新聞聚合產品。

先定個產品的小目標：通過全技術的方式，給用戶提供一個高頻更新的新聞列表，運營可進行微調幹預。

整個過程7步完成，對，就是七步成詩那七步。

一、構建標簽庫

標簽庫其實就是詞條庫，詞條哪裏來？

或者換一個問法，互聯網上誰最懂中文？

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裏。

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。

二、抓取新聞

接下來，就是抓新聞。

新聞哪裏有，找門戶網站唄；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，還有什麽體育？你也看出來了——其實我對體育無感，這裏就假設有10個體育專題網站吧。

我們要抓的是熱門新聞，啥叫熱門？出現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。

結果就是我有了一堆標題和鏈接，還有鏈接後面的正文。

三、建立新聞和標簽的關聯

現在到了建立新聞和標簽關聯的時候了，首先當然是要分詞，怎麽分？

呃，這個好像有很多自然語言詞庫的吧，你自己去找吧～

分詞完了之後，計算各個詞的出現頻率，出現頻率越高說明它越可能是這篇文章的關鍵詞。

出現在標題裏的詞是不是比出現在正文裏的詞更重要呢？所以你可以把標題裏的詞加個N倍權重，N等於幾？關註我私信我就告訴你。

這裏分出來的詞，其實就是標簽庫裏的標簽。這樣每一篇文章就有一個對應的詞頻由高到低的標簽列表了，太長了也沒用，就取TOP5吧。

這裏有個問題留給你，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？答案還是要關註我私信我才告訴你。

四、標簽熱度排序

現在我們為體育頻道選擇了10個數據源（就是新浪體育這樣的網站），每個數據源下抓了50篇文章，每篇文章都有5個標簽，現在我們要看哪個標簽最熱了。

我們的方式簡單得很，否則怎麽說我們設計了一個極（jian）簡（lou）的產品呢，方法是如果一個標簽在一個數據源出現了，就加1，在10個數據源都出現了那就是10。

通過這種方式你會得到每一個標簽的值，這個值除以數據源總數就是“熱度值”，在我們這裏就是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：

她想來人肉預先提升一個標簽的熱度值，雖然現在它還沒有大熱。

嗯，平常關系辣麽好，我不信也得做個姿勢選擇相信，於是就有了下面的線框。她可以調整一個標簽次的熱度值。

呀，最後怎麽還有兩個詞連接在一起的？實際上多個詞比單個詞更接近於一個熱點事件。當然對於這種二元詞，計算方式和一元詞略有不同，細節此處不展開。

五、文章按頻道排好序

到這裏我們已經有了標簽的熱度排序，那文章的熱度怎麽算呢？

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：

質量分：一篇結構完整、圖片豐富的文章顯然具有更高的質量

時效分：越新的越優先，大家是來看新聞的嘛。

具體算法上可以用高斯衰減：比如72小時內基本無衰減，超過72小時後每過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，就應該多做，另外一些事情效益半衰期很短比如遊戲，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，編一個數據公式把：熱度分，質量分，時效分串起來計算出一個數值就ok了。

想要公式？好像不是很方便哎，再說你那麽聰明，自己也能搞出來。

六、按頻道權重整合輸出

文章有了排序，下一步直接輸出麽？可是當前我們只有一個全國新聞頻道，細分分頻道啊，個性化呀那都是以後的事情，極簡系統就是千人一面的啦。

所以下一步我們要定一下各種頻道的內容如何混在一起。這個沒有啥技術含量，就是給各個頻道定個權重，然後按這個權重計算個比例去混合就好了。

技術上可確保：用戶看的越多，實際比例就越接近預先定義的權重分布。

咦，好像漏了說文章屬於什麽頻道的了。

在我們第2步裏決定去哪些數據源抓新聞的時候就決定了：每個數據源都對應了一個頻道， 那麽從這個數據源裏抓取的文章也就對應了一個頻道。

主要的幾個頻道是：社會、娛樂、體育、汽車、歷史、房產、科技、財經、軍事、國際。

七、過濾用戶已讀

終於來到了最後一步，作詩也沒這麽累啊。

對於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，過濾掉所有已經看過的。

那如何盡可能簡潔地實現呢？簡潔的本質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。

實操裏，我們還是記錄了用戶的已讀信息，然後一次請求裏返回足夠多的新聞，比如10個頻道每個頻道300篇，也就是3000篇，然後再過濾一下，性能上完全可接受，主要場景裏也不會出現新聞看完的情況。

總結一下

在設計這個熱門新聞列表產品的過程中，主要是幾個點：

新聞的熱度本質上是標簽的熱度，標簽用百度的詞條

標簽的熱度其實就是同時出現在多個網站上的頻度

文章的排序就是文章熱度分，質量分，時效分的綜合打分