如何提高知乎排名？先看懂知乎搜索排序算法！
非技术的朋友，可以直接跳到最后，文章最后总结了影响排序算法的指标，也就是能影响排名的因素，对照着优化自己的知乎文章或回答吧。
知乎作为一大内容平台，有很多获取收益的机会，比如阅读量收益、好物推荐收益。无论是哪种方式，流量为王，这个道理亘古不变。因此，如果在某个回答下，或者某个搜索词条下，占据排名TOP3，基本可以抢占70%的流量。
那么，知乎是如何判定回答或者文章的排名的？百度一下，很多回答会告诉你，威尔逊得分。
对威尔逊得分感兴趣的，可以去自行搜索。公式写的很复杂，说白了，意思就是：
- 赞同越多，排名越靠前
- 赞同足够多时，踩的权重会逐渐变大
直观的可操作的启示，也有两点：
- 刚发布内容时，启动赞很重要
- 刷高赞有风险
由于知乎不展示踩的数量，所以计算威尔逊得分很不现实。
经过一番寻找，找到了知乎算法工程师的技术分享报告。下面会总结一下知乎的搜索排序算法的演进过程，希望对运营知乎账号的小伙伴们有所启示。
发展流程
首先，大致了解一下知乎搜索算法的发展历程。这图其实就说明一件事，自深度学习得到广泛发展很久很久以后，知乎才用深度学习代替机器学习算法，不过方法迭代还是很快的！
根据图中提到的方法，本文会进行介绍。须知，不保证所有细节都是最新的，但是大致框架应该没有变动。
搜索排序
用户在知乎客户端输入问题后，会按照顺序排列展示出一系列相关文章和回答，这整个过程都是用模型实现的。
这整个过程主要包含三个模块，解析—召回—排序。
这三个模块中还包含不少细节，这里不细说，这里介绍一下各个模块中主要的功能：
- 解析：对用户问题（qury）进行解析、表示成向量。
- 召回：通过倒排召回和向量召回两个环节，筛选出TOP400的文档。
- 排序：通过精排序和重排序两个环节，决定文档的输出顺序。其中，先通过精排序对文档进行打分排序；然后，重排序对精排序后的TOP16进行位置的微调。
本文将介绍排序模块的算法，这也是作为知乎博主和运营者最关注的模块。
排序算法
基于Google的TF-Ranking进行开发，有兴趣的朋友可以去看看源码 https://github.com/tensorflow/ranking
TF-Ranking主要包含四个独立模块，特征输入、特征处理、模型打分和损失计算。可以非常灵活的进行改动，并且已经封装好了一些常用的方法，比如排序常用的损失Pairwise Loss 和 NDCG指标，可以快速开发。
当然，知乎结合积累的数据和线上效果，对TF-Ranking还做了很多其他改进和尝试，排序模型的框架如下：
其中，
- 特征输入：将 query特征、相关性特征、文档质量特征、当下点击特征和历史点击特征等输入模型。
- 特征转化：做一些常见的特征处理工作，比如取 log、归一化、onehot 和类别特征转 Embeding 等。
- 模型主体结构：包括主网络部分、 End2End 部分，SERank 部分，Unbias tower 部分和 MOE 方式实现的多目标排序部分
End2End
对于输入的特征，由上面的框架可以看到，排序模型并没有把原文当作特征输入，而是将原文和query通过相似度模型得到的相似分数，作为相关性特征输入排序模型。
为了弥补这部分不足，也做了一些尝试，但是由于计算量和线上效果提升不明显，最终将 BERT 编码之后的query和标题的 Embedding 向量加入到排序模型中，这种做法获得了一定收益。
SERank
通常来说，比较排序有三种策略：
- point wise：对每个文档分别计算得分，按得分排序
- pair wise：两两比较排序
- list wise：直接输出整体顺序
排序模型选择的是list wise这种策略，为了在对文档打分时，考虑到其他文档，参考SE Block的结构，将处理后的特征和End2End的特征进行排序。
MMOE多目标
排序模型是个多目标任务，知乎希望这个模型输出的排序，能够得到最大程度的用户留存和满意度，这就是排序模型要优化的损失。
有很多指标都可以用来预测用户留存和满意度，比如阅读时长、点赞、收藏、关注、分享、评论，其中相对重要的是阅读时长、点赞、关注。
最终，选择MMOE来做多任务排序。主要思路就是，对于多个任务，共享底层的权重，到最后再作区分，保留了各任务一定的独立性。
Tips 如何提升知乎回答和文章排名
根据对知乎搜索排序算法的分析，分析总结了以下提升知乎回答和文章排名的因素，按照重要性进行排序：
- 标题：覆盖尽可能多的高频搜索词条
- 用户留存：阅读时长、点赞、关注
- 首发非常重要：首次发布后的反响，基本决定了文章的是否有潜力冲击前排，往后再更新文章的作用并不大。说白了，得有启动赞。
- 内容：不要标新立异、只与自己比较，模仿排名靠前的文章
本文首发于公众号「一知行」
干货多多 欢迎留言与我交流