了解综合排序的使用场景以及与个性化推荐的区别；了解综合排序的影响因子以及常见的排序方法；基于业务需求对列表中的字段进行排列，辅助决策。

《数据处理之搜索如何命中》中说到了搜索结果的排序其实是对文本数据和业务数据得分的计算，那么对于非搜索场景下的列表应该如何排序呢？

有两种排序方式：单一维度排序；综合排序。单一维度排序就是将所有的内容按照某一维度进行排序，比较简单不再赘述，主要说一下综合排序。

一、定义

综合排序就是综合数据的多个维度进行排序，以搜索数据表为例，综合排序涉及数据表的上传时间、查看次数、更新周期、被搜索次数、热度等维度，每个维度都有相应的权重值，通过一定的公式计算出每个物品的“得分”进行降序排列。

二、使用场景

用于展示具有一定量级的数据且数据有多个指标维度，需要将某些高质量的数据突出展示，可使用综合排序，为每个维度值赋予一定权重。

用于展示搜索结果，需要根据命中字段、时间、搜索次数等维度进行综合排序。

可搭配多个单个维度排序规则使用。

Q：综合排序与个性化推荐的区别，可否用个性化排序代替综合排序？

A：个性化推荐需要大量的数据，需要对用户、数据进行建模并不断训练优化，因此对于有限数量（几百至几千）的结果展示，可采用综合排序的方法，将优质内容推荐给用户，同时也大大降低了开发成本。

关于个性化推荐：

个性化推荐是根据用户的兴趣、特点和行为，向用户推荐用户感兴趣的信息和内容。在个性化推荐系统中，需要基于用户的基本信息和行为对用户进行建模，同时基于物品的特征和信息对物品进行建模，将两者进行匹配筛选，找到用户可能感兴趣的推荐物品，最后推荐给用户。

常用的个性化推荐方法有：

① 基于内容推荐：分析用户看过的内容（历史内容等 ）再进行推荐；

② 基于用户的协同过滤（UserCF）：给用户推荐和他兴趣相似的其它用户喜欢的内容；

③ 基于物品的协同过滤（ItemCF）：给用户推荐和他之前喜欢的物品相似的物品；

④ 基于标签的推荐：内容有标签，用户也会因为用户行为被打上标签，通过给用户打标签或是用户给产品打标签为其推荐物品。

除此之外，还有隐语义模型推荐（LFM）、社会化推荐、根据时间上下文推荐、基于地理位置的推荐（LARS）等方法，各种推荐算法是可以叠加在一起的，根据不同算法的权重调整，给用户最为精准智能的推荐。

三、排序方法

提供两种排序方法：多维度分别单一排序；按总分值进行排序。

1. 多维度分别单一排序

定义：为每个维度定义排序方式（升序or降序），当A维度相同的情况下，按照B维度排序，若此时B维度相同，再按照C维度排序….直到最后一个维度，如果还相同，这时候就要看是随机排序，还是按照唯一不重复的值进行排序。

使用场景：

• 适合维度较少，或者场景不复杂的情况；
• 适用于维度对结果影响非常明显的情况；
• 需要排序的维度之间重要程度有明显的不同。（若不同维度之间并没有绝对的谁比谁重要的关系，不适合用此排序方式）

2. 按总分值进行排序

将多个不同维度（不同单位）的因素综合到一起的方式有很多，比较常用和简单的就是普通线性加权。（一般需要和pm一起确定因子和权重）

（1）普通线性加权

普通线性加权是将维度赋予一定的权重，然后将不同的维度乘以各自的权重再进行累加，如下样式：

总分=维度A*维度A权重 +维度B*维度B权重 + 维度C*维度C权重 +……+维度N*维度N权重

举例：当我们在某平台购买东西时，物品排序受到浏览量、成交量和价格的影响，赋予一个权重值，浏览量：1分、成交量4分、价格5分。

那么 各个物品的得分=浏览量*1+成交量*4+价格*5；排序为：A>B>C

如果按照这个公式进行计算的话，会出现问题。首先我们期望价格越低越好，而通过这个公式计算价格越高，得分越高排名越靠前，显然这是不对的。

问题出在哪呢？没有归一化

（2）归一化加权

归一化加权是将维度值进行细分，从产品业务角度出发赋予不同的系数，也是最通用的一种方法，样式如下：

总分=（维度A权重*归一化的系数值a） + （维度B权重*归一化的系数值b）+ …… + （维度N权重*归一化的系数值n）

关于如何定义各维度的归一化系数值，提供以下几种方法供使用：

方法一：按照阶梯分段进行处理

以浏览量为例：

• 当浏览量小于100时定义系数为0.1，
• 浏览量100~500时定义系数为0.2，
• 浏览量500~1000时定义系数为0.3，
• ……浏览量越高，系数越高（小于等于1）。

当浏览量特别多的时候，如10万，此时数量已经不那么重要了，可以将超过10万的浏览量的系数定义为0.9。有时候为避免马太效应，甚至可以将系数降低，给予一定的惩罚（涉及到降权）。

方法二：按照百分比进行处理

仍以浏览量为例：

• 将浏览量由小到大进行排序，前5%的系数为0.1
• 5%-10%的系数是0.2；
• 10%-20%的系数是0.3；
• 20%-30%的系数是0.4
• ……

方法三：按照线性函数转化处理（线性归一化）

系数=（A-min）/（max-min），将数据值映射到[0, 1]之间。

这种处理方法的缺点是若数值集中且某个数值很大，归一化后各值接近于0，并且将会相差不大，（如 1， 1.2， 1.3， 1.4， 1.5， 1.6，50）这组数据。当有新数据加入时，会导致max和min的变化，需要重新定义。

方法四：按照对数进行处理

这个方法很适合处理极值，经常用在数据分化比较大的场景，有些数值很大，有些很小。这里一般使用Y=a*log10（X）+b的形式，通过调整a与b来根据数据调整曲线。

四、优化调整

给定初步的权值之后可以进行灰度（甚至直接上线），根据实际结果不断调整系数和权重值，在产品的发展过程中，也需要根据各阶段的侧重点的不同来调节权重和系数。

作者：墨白，公众号：UED_family

本文由 @墨白 原创发布于人人都是产品经理。未经许可，禁止转载

题图来自Unsplash，基于CC0协议