PM如何运用加权排序策略

2026/8/4 21:26:42

PM 用加权排序，核心不是算分，而是用权重表达业务优先级，并用最低成本持续做分发策略的实验迭代。

一、一句话定义

加权排序 = 给每个候选按几个维度打分，乘上你觉得重要的程度（权重），加总成一个数，谁分高谁排前面。

类比「挑餐厅」：你最在乎三样——好吃、近、便宜。给每样设个重要程度（权重），对每个餐厅打分后算总分，分最高的先去。

类比「职位推荐」：给每个职位算三笔分（热度、时效、你喜不喜欢），按重要程度加总，谁总分高谁排在你面前越靠前。

二、公式

Score(i) = Σ_k w_k · f_k(i)

f_k(i)：第 k 个排序信号对候选 i 的打分（如相关性、热度、时效…）

w_k：该信号的权重，体现业务对该目标的重视程度

前提：各f_k必须先归一化到同一量纲/区间（如都压到010或 01），否则数值天然大的信号会「碾压」其他信号，权重形同虚设。
公式难理解的话下面举两个例子就懂了

三、生活类比（建立直觉）

周末挑餐厅，权重：好吃 0.5、近 0.3、便宜 0.2（合计 = 1）。

餐厅	好吃(×0.5)	近(×0.3)	便宜(×0.2)	总分
A	9	7	6	7.8
B	6	9	8	7.3
C	8	5	7	6.9

排出来 A > B > C，先去 A。这就是加权排序的全部本质。

四、职位推荐实例（面试高频场景）

基于用户行为与职位标签，用三信号：热度分 + 时效分 + 用户偏好分。

权重设定：热度 0.4、时效 0.3、用户偏好 0.3（合计 = 1），分数均取 0~10。

职位	热度(×0.4)	时效(×0.3)	偏好(×0.3)	总分	排名
A 产品实习生	9	4	7	6.9	3
B 新锐运营岗	6	9	8	7.5	1
C 算法工程师	7	6	9	7.3	2

结论：B > C > A。A 最火（热度 9）但挂太久（时效低），综合分被拉低；B 刚发布又挺适合你，排第一。说明加权能避免「只看一项」的偏科。

三大信号大白话释义：

热度分：这个职位有多火（多少人看、多少人投）

时效分：这个职位有多新（刚发布分高，挂了一周分低）

用户偏好分：这个职位多适合「你」（匹配你的标签、你平时看的行业/职能）

五、权重是什么 → 分发的「方向盘」

你更看重哪个，就给它更高权重：

求职 APP 想推更多新岗位 → 把时效权重调高

想让用户更愿意投 → 把偏好权重调高

权重一改，排出来的结果立刻变，不用重写算法。

六、为什么不全看一个指标

光看热度，永远推那几个老热门，新职位和适合你的小众职位永远没机会（头部固化 / 信息茧房）。加权就是把「新」和「适合你」也拉进来一起比，实现多目标平衡。

七、与其他排序范式对比

范式	特点	适用阶段
规则排序（if-else 门槛）	可控但僵化	极早期 / 强合规
加权排序	可解释、易调、成本低	中早期 / 多目标需平衡
Learning to Rank / 深度模型	数据驱动、上限高、黑盒	成熟期、样本充足
多目标融合（MOE / 帕累托）	处理复杂多目标	高阶精排

八、优缺点一句话

优点：可解释、可调、实现简单、契合业务先验。

缺点：权重靠人拍、线性假设表达力弱、多目标难精细平衡、信号间易打架。

九、PM 如何运用加权排序策略

PM 不是写排序算法的人，而是「定目标、设计信号、配权重、看结果、持续调」的人。一条可落地的运用链路：

定目标（先想清楚要什么）
排序服务于业务目标：要拉新 → 侧重时效/新鲜度；要留存 → 侧重用户偏好/完播；要变现 → 侧重点击/转化/商业化。目标不同，权重结构完全不同。
设计信号（把目标拆成可算的分）
每个目标找一个可量化信号：相关性、pCTR、完播率、新鲜度、热度、作者质量、用户匹配度……信号要可获取、可计算、尽量无偏。
配权重（方向盘握在 PM 手里）
初期按业务判断拍权重（如职位推荐：热度 0.4 / 时效 0.3 / 偏好 0.3），写进排序公式。权重就是「想让用户看到什么」的直接表达。
做实验验证（最廉价的迭代）
改一版权重，开小流量 A/B，看核心指标（CTR、停留、转化、投递率）涨跌。不重训模型就能验证「调侧重」有没有用——这是加权排序对 PM 最友好的点。
看 bad case，反推问题
推了不想要的内容 → 看综合分哪块拉高了它：是热度权重太高？还是偏好信号不准？可解释性强，PM 能直接定位是「信号问题」还是「权重问题」。
兜底与冷启动
新内容/新用户信号缺失时，用先验权重（时效、热度）或规则保量，避免空窗；长期用分层/分段加权（新用户一套、老用户一套）。
跨团队协同
把「权重配置 + 信号口径」沉淀为需求文档，跟算法/工程对齐：信号怎么算、权重谁能改、多久复盘一次。