作者评分模型：刺激用户，获取高质量内容

小提示：您能找到这篇{作者评分模型：刺激用户，获取高质量内容}绝对不是偶然，我们能帮您找到潜在客户，解决您的困扰。如果您对本页介绍的作者评分模型：刺激用户，获取高质量内容内容感兴趣，有相关需求意向欢迎拨打我们的服务热线，或留言咨询，我们将第一时间联系您！

对于一个资讯平台来说，优质内容是核心中的核心。笔者就通过分析两个评分模型成功案例，说明了数据模型的效果与重要性，向我们介绍一个可以刺激用户，源源不断提供高质量内容的模型——作者评分模型。

如果将平台比喻成病人，我们为“病人”诊断、治疗有以下几种方式：

• 打点滴——渠道拉新：疗效快，立竿见影，能够保证新流量入驻，不但可以增加DAU，同时能带动各业务线数据增长。
• 吃药——用户运营：见效慢，以调理为主，提升用户留存,增加用户粘性，从而提高转化率。
• 手术——内容运营：根除病症，真正做到强身健体，内容强则平台强。

而对于一个资讯平台来说，优质内容是核心中的核心。

今天就向大家介绍一个可以刺激用户，源源不断提供高质量内容的模型——作者评分模型。

在做模型之前，咱们要想清楚一个问题，作者评分模型是干什么用的？

如果只是为了给用户打分而打分的话，大可不必做这么复杂的模型，最原始暴力的看PV和UV就可以解决了。我个人理解，作者评分模型分以下几个作用：

• 综合评价作者（自媒体）
• 激励作者输出更多更好的作品
• 针对作者不同属性，精细化运营

仅从文章消费角度的PV和UV来认定一个作者的好坏，是一种很片面的做法，因为有些“标题党”会得到更高的分数。

可以试想一下，标题为《二手特斯拉仅需20万》的文章，对于想买车的读者来说诱惑力有多大。

但读者点进去，往下拉，再拉，拉到底下也没看到在哪里能够买到20万的特斯拉，读者一脸黑人问号的同时，有抄起板砖拍作者的冲动——这就是典型的标题党。

若仅从PV、UV角度来看，也显得不那么公平，但如果加上新增粉丝数、点赞数、完度率、评论数等因素综合评估的话，那么标题党就不会那么吃香了。再加上反作弊指标，作弊刷量作者便无处遁形。

在讲模型之前，我们通过两个家喻户晓的游戏（评分模型成功案例），来分析如何刺激用户提供更多、更高质量的游戏（作品）。

下图和平精英（刺激战场）及王者荣耀总览图，红框部分为某用户该赛季的排名或评分。

和平精英总览图

王者荣耀总览图

两款游戏的赛季排名以百分比的形式展现，并附有段位的划分和队友点赞等，能够激励玩家危机公关管理公司怎么做不断提升自我。

马斯洛需求层次理论的金字塔的倒数第二层便是尊重，每个人都希望自己努力的成就被别人认可，在尊重得到满足后，便使人充满对某件事物的信心，进入良性循环，从而享受在某一领域独特的价值。

我相信当有人说我这哥们是王者，全服前1%的时候，应该是最满足的时刻。

和平精英详细数据图

王者荣耀详细数据图

如果说总览图是让用户一眼能够看出好坏，那么详细数据就是要告诉用户哪些方面可以提高。这样一来用户可以对症下药，提升质量。

在游戏里中体现的是更多玩家打出质量局，若在作者体系中，就是输出更高质量的文章。由以上两个游戏案列，我们引出今天的主题——作者评分模型。

一、模型概述

我先把成品给大家展示一下，让大家对这个模型有个初步印象，接下来再具体讲解细节。

作者评分总览图一

作者评分总览图二

简单的讲，模型是通过算法页的不同变量（指标），对作者进行标准化打分，再根据各项指标不同的权重，汇总一个总得分，各项指标可以向下拆分一级、二级或更多级指标。

在样例模型中：

作者总得分=质量得分*权重1+互动得分*权重2+消费得分*权重3+发布得分*权重4+附加项得分*权重5

有人会问，影响力得分为什么要用开根号乘以100呢，我们先来看一下开根号乘以10，如下图所示：

令f(x)=sqrt(x)*10，(0≤x≤100)，x为作者总得分，把x经过f映射后，好处有以下几点：

（1）f(x)是单调上升的，映射后仍保留原序，保证了公平公正

（2）f(36)=60，及格万岁！

（3）f(x)为凸函数，原分数越低，得到的补偿分数越高如上图，原始分数在20分时奖励25,原始在60分时奖励17分，而80分时只奖励9分。

大家应该恍然大明白了，这么做主要以积极鼓励作者为目的，同时也不改变全局排序，最后在乘10的基础上稍作改动乘以100没有别的意思，就是显得分数更多而已。

欲问我为什么知道此“大法”，要追溯到高中时期的化学期末考试，当时的我惨目忍睹得考了49分，本以为要补考的我，最终被开根号乘10大法拯救，以至于没有完全放弃对化学这门课程，拿到最终分数的我大喊了一句“开根大法好”！

二、模型算法

纳入评级库标准

（1）所有媒体库中的作者

（2）数据异常无法获取正确信息的作者不参与评分

打分方法

（1）各项一级指标、二级指标在0到100分范围内打分，无及格分数线。

（2）对于可获取数据的定量指标，采用标准化的方式打分；若数据量级相差较大，可以先取对数，再进行标准化（减小量级差异造成的影响）。

以文章浏览得分为例：

其中，

（3）附加项加分，正向指标，如个别数值表现突出，超过预设值的5倍，则给与额外加分，比如点赞数预设上限值为800，当有作者得到4000以上的点赞时，我们会考虑额外加分。

（4）附加项减分，反向指标，当发现有作者作弊时，情节轻者扣分警告，恶劣者删除作者号。作弊可通过第三方软件和算法识别出来，反作弊反欺诈会在今后单独写一篇文章介绍，下面只是简单的介绍一下作弊的类型。

1. 用户IP异常，包括请求次数与地域异常
2. 手机设备被篡改或者安装高危软件
3. 存在一个账号多个设备，或者一个设备多个账号
4. 特定时间，访问量出现激增情况

不要小看作弊这件事，这会严重影响体系的平衡性，质量差的文章通过刷量占据TOP榜，那么推荐算法就会增加该文章曝光度，读者便会看到低质量的文章，久而久之，会造成作者与读者的流失。

权重确立方法：层次分析法（AHP）

层次分析法是一种常见的权重分配法，这里就不多赘述了，想了解AHP算法的朋友可以看一下本人的另一篇文章《如何用更少的钱，带来更优质的量？渠道质量评估模型|一文通透》，在网上也可以找到免费的层次分析法软件，非常实用。

简单的概括AHP层次分析法，就是用科学的方法确定权重，拒绝“拍脑袋大法”。这样便有了如下图，一级指标权重。

一级指标图

二&三级指标筛选（聚类）

1. 盲选：将根据经验得到的、现有的备选聚类变量全部纳入模型，暂时不考虑某些变量是否合适。

3. 相似矩阵分析：输出相似性矩阵，对相关系数进行分析，若两变量相关系数接近1，说明两个变量可以互相替代，踢出一个变量以达到降维目的。

4. 通过上述3步对变量进行筛选，既能踢出贡献度较低变量，又将相关性强的变量进行整合，最终输出相互间属性独立的变量。各项二、三级指标的权重也参照一级指标一样，层次分析法进行权重分配，最终得到指标骨架图，如下图所示。

模型指标骨架

模型指标骨架图

骨架填充与BI展示

将数据填充到骨架中，再按照自己想看的维度去做相应的BI展示，本文按周和月对作者进行评级，也可以按照日为维度进行监控。接下来的第三章讲解模型的应用。

三、模型的应用

这一环节主要介绍模型的应用。

俗话说得好，不能将模型落地执行的需求都是在耍流氓。

模型好么？好！怎么用？不会！那就是一种资源浪费，数据分析师的价值就是用数据推动业务。废话不多说，来看一下模型如何应用。

应用场景一 排名奖励促生产

每月对影响力进行排名，根据排名TOP100的自媒体和用户，按照排名梯度给予额外奖励，刺激用户多发文章，发好文章。

应用场景二 热度征稿奖励

除了一些自由文章外，还需要做活动引导作者发表热门文章，比如以“国五国六排放标准的汽车如何选择”为主题的文章，贴合现阶段市场行情，更容易吸引用户的眼球；

还有类似新车抢先评测奖励，在大多数人还处在购车犹豫阶段，一篇新车抢先报可以解答用户的疑难杂症。

文章写出来，我们便可通过模型对用户进行综合评价，避免标题党的情况出现，同时作者也会获得模型加分项随州小红书种草笔记是什么的加分和活动的双重奖励，促使作者输出读者想要的热门文章。

应用场景三 裂变拉新

文章还能拉新？

当然能！

其实这里面就用到了互动得分，将模型里互动得分高的文章筛选出来，作为裂变的种子，通过种子用户进行传播，达到裂变拉新的效果。

应用场景四

Know your customer，知道你所运营的作者是啥属性，一般一个内容运营手底下有许多作者，根据模型判断。

如果作者属于“沉默是金”类型，出品频率虽低，但只要出品必属精品，那就引导作者提高频率或者转变热门话题。

若属于高频低质量的“口水文”，那么有必要来一波质量提升。如果是作弊用户，那就“拜拜了您内，不送！”该应用主要是针对作者属性，精细化运营。

此模型的优势之处在于综合评估作者，而且还能将作弊之人“绳之以法”，在了解你的作者和读者基础上运营，必将事半功倍。实际上，该模型的玩法还很多，我们等待更多内容运营大神脑暴，以发挥模型最大价值。

四、模型的拓展

该模型不只局限于作者评分，还可以做渠道评估、活动评估、用户质量评估、用户积分评级系统等等。把相应的指标替换，赋予相应权重，便可套用此模型。

渠道评分模型

用户评分示例

至此，整个模型流程已经介绍完毕，后续还有多种分析方法以及策略，在这里只是抛砖引玉，就不多赘述了。最后我们就把今天分析的过程捋一捋：

流程鱼骨图

• 模型确立
• 纳入数据库标准确立
• 打分标准确立
• 权重计算
• 变量指标筛选与调试
• 结果展示
• 运营并制定策略

今天给大家介绍的作者评分模型就到这里，文章里埋了个伏笔，就是用户反作弊反欺诈。

互联网的作弊行为还是相当严重的，如果无法排除这些用户及其行为，会给模型、运营策略等造成很大的负面影响，错误的数据、高效的执行便是灾难。今后会和大家分享反作弊心得，敬请期待。

写在后面：希望这篇文章可以帮助广大的运营人士，也能够让用户了解平台运营方式，同时欢迎同行与爱好者一起交流学习，提出您宝贵的意见。

作者：姜頔。硕士毕业于日本早稻田大学，前人人贷高级数据分析师，现易车网数据分析专家。主要负责数据运营和用户增长。

本文由 @姜頔 于。，。

，基于CC0协议