如何設計一個簡單的新聞聚合產品？文章介紹了制作極簡的新聞聚合產品的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里看新聞，我還要加一句，誰說不能在本地頭條（我正在負責的產品）里看全國頭條。說是這么說了，但是心里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，運營可進行微調干預。

　　整個過程7步完成，對，就是七步成詩那七步。

　　1.構建標簽庫

　　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，還有鏈接后面的正文。

　　3.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。出現在標題里的詞是不是比出現在正文里的詞更重要呢？所以你可以把標題里的詞加個N倍權重，N等于幾？關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？答案還是要關注我私信我才告訴你。

　　4.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，否則怎么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，細節此處不展開。

　　5.文章按頻道排好序

　　到這里我們已經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，再說你那么聰明，自己也能搞出來。

　　6.按頻道權重整合輸出

　　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，然后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，好像漏了說文章屬于什么頻道的了。在我們第2步里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， 那么從這個數據源里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。

　　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，時效分的綜合打分作者：大中，內容類創業公司的產品總監，此前在阿里5年，負責過蝦米音樂等產品。平常關注內容、社區和電商類產品。