excel熵值法计算权重_由搜索权重排序引入的思考

比如搜索结果决定根据月销量和好评加权值来确定展示顺序，应该如何设置这个权重？以往的经验是重要的维度权重大一些，但是评分最高是5分，而销量无上限，这种类型的加权应该如何设计才能让权重发挥作用呢？如果想加上“新商品发现”维度和“对新入驻商家友好”的维度，又该如何设计呢？

权重的定义

从定义来看，什么是权重。权重是指一指某一因素或指标相对于某一事物的重要程度，其不同于一般的比重，体现的不仅仅是某一因素或指标所占的百分比，强调的是因素或指标的相对重要程度，倾向于贡献度或重要性。

指标的权重反映某一指标在指标体系中所起作用的大小，针对指标权重的计算方法有很多种。

指标间的权重差异主要是由于以下三方面的原因造成的： ①评价者对各指标的重视程度不同，反映评价者的主观差异； ②各指标在评价中所起的作用不同，反映了指标间的客观差异； ③各指标的可靠程度不同，反映了各指标所提供的信息的可靠度不同。

权重因素的考虑

由于上述三个因素存在，在考虑权重时也可以从三个方面来考虑设计指标权重：

由决策者的经验判断合理地给出每个方案(或指标)的权数，一般采用主观赋值，比如AHP层次分析法。
由评价中各指标传递的信息量大小决定指标权重，比如熵值法。
依靠指标评价值的客观程度与可靠程度反映权重，比如灰色关联分析等。

上述第一种属于主观赋权，而后两种属于客观赋权

主观赋值多采用定性方法确定权重：常见的方法有专家咨询法(Delphi法)、AHP法、评级打分法等，其中AHP方法使用较为常见。
客观赋值是通过数学量化指标间的关系或离散程度来确定权重，常见的方法有：熵值法、主成分分析、灰色关联、模糊综合评价法、因子分析法、TOPSIS法等。

熵值法的简单引入

此处举例用熵值法来进行分析。

熵值是不确定性的一种度量。信息量越大，不确定性就越小，熵也就越小；信息量越小，不确定性越大，熵也越大。因而利用熵值携带的信息进行权重计算，结合各项指标的变异程度，利用信息熵这个工具，计算出各项指标的权重，为多指标综合评价提供依据。

根据熵的特性，可以通过计算熵值来判断一个事件的随机性及无序程度，也可以用熵值来判断某个指标的离散程度，指标的离散程度越大，该指标对综合评价的影响(权重)越大，其熵值越小。

从现有的三个评价信息来看，好评、销量和新品。其中的好评和销量可能是带有关联性的，而这两个属性中的好评是有熵值特性的(具有离散性)。

因水平有限，仅深入到此，具体的熵值算法涉及到特定的算法和一些复杂的公式不在此深入。

针对新品的推送的一些建议

我们先来回看下头条推送文章的机制，或许有可用之处。

1.分批次推荐

包括两种模式：一是某一时效期内多次推荐;二是不同时效期(24小时、72小时和一周)的推荐。

2.首次推荐

首次推荐给的目标用户的阅读标签与文章标签匹配度最高，他们被系统认为是最有可能对该篇文章感兴趣的用户。

首先推给最感兴趣的用户，然后根据这批用户的反馈信息决定下一批的推荐量，反馈信息包括点击率、收藏数、评论数、转发数、读完率，页面停留时间等，其中，点击率占的权重最高。

3.首次阅读数据决定第二次推荐量

首轮推荐后，如果点击率低，系统就认为文章不适合推荐给更多的用户，会减少二次推荐的推荐量；如果点击率高，系统则认为文章受用户喜欢，将进一步增加推荐量。以此类推，文章新一次的推荐量都以上一次推荐的点击率为依据。此外，文章过了时效期后，推荐量将明显衰减，时效期节点通常为24小时、72小时和一周。

首次推荐的用户阅读数据，包括点击率、收藏数、评论数、转发数、完播率和页面停留时间等，决定着第二次的推荐量。如果首次推荐的综合指标比较高，那么说明文章是适合这类用户的。那么系统在第二次推荐时就会加大力度，推荐给更多的人，反之则减少推荐力度。

所以说，很多人发现自己发的内容一上来就没人看，或者是短短几个小时就爆了，就是基于这个推荐机制，

用户在通过社交账号登陆时，算法会解读用户兴趣，形成用户画像，根据用户画像来推荐感兴趣的文章。在用户使用过程中，算法会根据用户的点击、搜索、订阅等行为优化用户画像。

如果用户不登陆，头条会推荐一些大众化的内容，再根据用户点击来确定用户画像。文章经过审核和消重后，会分批次推荐给用户。

新品的推荐规则也可借鉴于此，但需要相应的调整，具体就应该要看现有的业务实际情况了。