前言
超級APP功能越來越全，非超級APP的DAU都在下降，當失去增長紅利之後，精細化迭代和精細化運營將成爲必然選擇。產品的工作的重點也需要從前端和交互的修改，轉移到策略的制定。而產品策略在實現層，最終是以算法公式的形式輸出的。
一個成熟的策略系統，會涉及多種重要的因素。如何保證這些策略公式在複雜的運算中發揮自己應有的作用，如何保證不同的數值能在同一緯度計算，這就涉及很多參數調整的策略技巧。
調整參數的目的
首先在調整參數的時候，前提是明確調整參數的目的。針對具體的目的，使用對應的工具，然後才能達成具體的目的。對調整參數的目的簡單做了一些總結，具體如下：
歸一化處理
調整因素的影響力
信息論處理：熱門降權和時間衰減降權
調整變化曲線
設定變化界限
歸一化處理
歸一化處理，通過處理讓不同因素在一個範圍內進行比較。舉個例子，如果要比較專欄的影響力，需要綜合考慮閱讀量、點贊量、發表文章量這三個因素，直接相加顯然是不可行，因爲閱讀量數量是點贊數的至少10倍，而點贊數也是發表文章數的幾十倍。要讓不同因素在一個變化範圍內，這個時候就需要對進行歸一化處理。
最簡單粗暴的歸一化方式，就是直接除以數據中的最大值，那麼所有值都在0~1之間，並保留原有的變化性質。即：
當然這樣的處理方法也會有問題，比如受到極值影響比較大。而且如果大部分分值比極值低很大的數量級，則低分值將沒有區分度，以閱讀量爲例，如果最大閱讀量爲十萬+，而大部分專欄文章閱讀量集中在500左右。這樣直接除以極大值顯然是不明智的。這個時候最好在處理前對數值進行調整。在之前的文章《神奇的對數》中提到的對數處理是個比較好用的方法：
這樣既保證了所有的數值在0~1之間，同時極值對最終分值的決定性影響也沒那麼大。
調整因素的影響力
調整影響力的比較通用的辦法有兩種，加數值，乘以數值。
加數值能解決冷啓動遇到的新內容權重過低的問題，比如，如果知乎答案完全按照贊同排序，則新發布的知乎答案，一開始在下面，不利於被更多人看見，如果新發布的內容自帶20個贊參與排序，則能解決這一問題。
乘以數值能解決數值重要性的問題，如果希望某一因素在總排序中佔據更重要的位置，則可以用乘法處理，比如，還是知乎內容排序的例子，如果完全按照贊同排序，要提高文章的排序權重，可以直接乘以某個係數。
信息論處理：熱門降權、時間衰減降權、置信度提權
一個信息出現概率越小，信息量越大，如果一個信息越常見，包含的信息越小。這個在之前文章《搜索的原理》中提到的一個基礎觀點。在實際的策略公式中，從信息論的角度去考慮就能快速的理解策略，讓最終結果更加符合預期。
熱門降權以經典的圖書推薦爲例進行介紹。在圖書推薦中買了的人還買了的策略中，有一個著名的哈利波特問題，因爲哈利波特銷量過高，幾乎所有的圖書都和它有關係。怎麼處理呢？一個辦法是用銷量做流行度處理，降低流行度特別高的商品在排序中的得分：
時間衰減降權，顧名思義，讓過去的信息權重更低，最近的信息權重更高。行爲具有連續性，最新的行爲包含了更大的信息量。在處理的時候也可以使用上面的數學形式，讓更遠的時間分數衰減更大：
置信度提權，是基於數據量越大信息越靠譜，在處理平均值，打分等的參數時候有比較好的應用。比如，在計算一個電影的排序的時候，在考慮多個因素中包含了電影觀衆打分，這兒時候應該是打分的人越多，電影打分的權重越高。
調整變化的曲線
一般而言未經加工的數值在策略中很難直接應用，比如：知乎點贊/閱讀的比率。好的文章高一些，差的文章低一些。變化範圍特別小。希望整體數值變化範圍不變的情況下，怎麼加大區分度？這個時候可以用一些曲線的性質。開方是個例子，0.25變爲0.5，0.01變爲0.1，而1處理後還是1：
同樣的如果分值都集中在很高的情況下，爲了加大區分度，也可以用開方的逆運算。0.8處理後變爲0.64，0.5處理後變爲0.25，1處理後還是1：
設定變化的界限
防止一些極值產生對於計算的影響，設定變化界限也是常用的方法。比較暴力的做法是設定最大值，比如：當在閱讀量計算中，閱讀量數值大於10萬，只取十萬，防止大值的影響。
還有一些比較柔性的做法，比如用有界函數進行處理：
或者直接用之前文章《神奇的對數》中提到的對數也是不錯的做法，會讓大值影響減少：
