调整新品策略，高效扶持新品流量

本文重点向您介绍AIRec对新品的定义以及如何调整新品分发比例来满足业务对于新品曝光的需求。

此处以内容行业为例，内容社区在保证推荐点击率用户活跃度的条件下，同时需激励作者的创作热情，一般需要对7天内发布的新品（帖子/视频/图片等）进行扶持，从而保证用户在刷新内容的过程中能够发现新内容，作者的新创作能够得到有效曝光。

一、新品口径与流量定义

新品口径：在智能推荐的默认策略中，发布时间（对应item表的pub_time字段）在7天之内的物品将被识别为新品。

如果希望使用此功能，需保证pub_time字段的有效性。

流量定义：在智能推荐的默认策略中，将为新品提供2%的流量进行扶持分发，此处的2%代表概率统计维度的比例，即从智能推荐recommend接口推荐出的物品总量中大约有2%的物品属于新品。

细节参考：

新品分发采用概率统计而非阈值设定的保量策略，即通过配置newRatio大致控制推荐下发的物品中新品的占比

公式：newElementCount≈returnCount*newRatio

1. 当returnCount*newRatio为整数n时，则下发物品中将刚好包含n个新品；

2. 当returnCount*newRatio为小数n.m时，则下发的物品中除包含n个新品外，还将按照100m%的概率额外添加。

注：新品口径（7天）、流量具体占比（2%），将在6月底产品的新功能（仅限标准版）中将支持定制，敬请期待。

二、调整新品策略

相比传统的新品流量强插的随机推荐，智能推荐提供了3种新品流量分发策略，分别是“基于用户偏好xx（某特征）的新品扶持”、“基于新品综合行为热度扶持”、“基于新品最新发布时间优先扶持”。

示例 1 基于用户偏好新品扶持优先

在内容行业，提供了作者（author）、频道（channel）、类目（category）3种特征的用户偏好分析，即可通过用户的历史、实时行为分析出用户对某些作者、频道、类目存在偏好。

如以作者为例，在下图中，存在多个作者（博主/KOL等）发布的帖子：

假如，当前的用户对其中3个作者的内容有明显偏好，则意味着当这里的3个作者发布新内容时，将优先推荐给当前的这个用户。

这里可根据item表物品特征的丰富度，实际业务侧判定哪些特征更加重要，进行相应的策略优先级调整。

示例 2 基于新品综合行为热度扶持

新品在没有进行推荐之前，几乎没有行为的积累（除非有特定的新品营销页面，如有这种情况可将新品的行为回传，并将对应的scene_id指定为-102），也就意味着新品的点击率=0，只有在逐渐获得曝光机会的同时，逐渐获取到用户的点击，从而积累到一定量级的用户行为。

随着新品曝光->用户可见->用户行为反馈（点击/只滑动不点击），系统可识别出新品是否能够得到用户的喜欢，一般来说，点击率越高的新品，更加具备打造为爆品的可能性。

基于新品综合行为热度扶持即，在xx计算的周期内，点击率越高的新品越优先推荐。

这里可根据平台创作的激励制度、爆品发现的时间要求等进行相应的调整。

具体配置如图：

示例 3 基于新品最新发布时间优先扶持

在创作积极度较高的内容社区，几乎每小时都会发布上万级别的新内容，尤其是当社区属性与时间、时事本身有所关联，如热点事件跟踪、热议话题等，均要求推荐系统能够根据最新发布的内容迅速做推广。

基于新品综合行为热度扶持即，越新发布的内容越优先推荐，将不再考虑新品的点击率、是否命中用户兴趣的因素。

这里可根据平台的内容性质，按需设置。

具体配置如图：

四、进行AB实验

在内容社区场景，最近新产生了一批优质内容希望通过运营干预增加新品的推荐策略，但是又担心推荐效果受影响，则可通过ab分流试验进行观察：

使用流程大致如下，具体如何使用实验平台可参考 实验平台使用手册：

1、启动实验；

2、创建实验：实验1-用户偏好优先，实验2-综合热度优先等；

3、分配流量：保证其他实验配置保持一致，分配等份流量桶，如：实验1-1个桶，试验2-1个桶；

4、观察效果：持续观察至少1周的业务效果报表，得出结论；

5、实验决策：假设经观察，实验1效果更佳，则进行推全操作。

电商行业、新闻行业也可采用此文档方法进行相关实验。