电商网站权重的基本原理是什么

权重，是网络上一个非常重要的数据，电商市场也是如此，对于电商的权重而言，它的基本原理是什么呢？怎么才能理解清楚一个权重的问题呢？跟着九头蛇电商一起来了解一下权重的那些事吧。

什么是权重?

作为电商运营，对权重一词一定不陌生，我们常常听说SD会降权、改标题会降权、改主图会降权等等，那到底什么是权重呢?

先看下百科的解释：权重是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。

我们常说的权重其实是搜索排序的决策因子。做电商，客服、发货、售后等工作相对都好解决，让大家觉得困难的在于获取流量，倘若有无穷无尽的流量，那么只需坐地数钱就好，想想都美滋滋。要想在平台内获取大量流量，就需要一个好的排名，而好的排名则离不开较高的权重。

算法是如何加权的呢?

有了数据如何加权计算呢?我们来看一个简单的例子。

某中学三年级有100名学生，某次期末的考试结果如下。通常的排名方式是按照各科成绩直接相加得出总成绩，再对总成绩进行降序排列(从大到小排列)，总分排名的结果是学号49号的若雨同学排名年级第一，总分降序排名如图：

现在学校需要挑选3名同学去参加全国物理竞赛，成绩优异者可以保送名牌大学。如果我们按照物理单科成绩降序排列，可以看到50号绍辉同学物理单科成绩第一。

如果以总分排名或者物理单科成绩排名来决定参赛人员，就简单多了，只需要在总成绩表或物理成绩排名表中取前三就ok了。但是，学校要考虑的，一方面是要物理成绩要好，可以在此次全国物理竞赛中获得优异成绩，为校争光。另一方面还要保证参赛同学的总成绩也要优秀，不然真的保送到清华北大结果成绩总是垫底就太打脸了。这时就需要考虑到物理单科成绩和总成绩两个数据维度，到底派谁去参赛呢?当需要两个以上数据维度共同影响决策结果的情况下，我们就需要用到权重，对多个维度的数据进行加权计算，计算出总的权重分，再对权重分进行排序，得到我们想要的结果。

学校的教导主任给出了最终加权公式如下：

加权总成绩=数学*2+语文*2+英语*2+化学*1+生物*1+物理*5

教导主任认为参加物理竞赛，物理成绩最重要，分数乘以5倍，其次数学、语文、英语是基本学科，分数乘以2倍，化学和生物保持不变，乘以1。即总权重分等于2倍的标准化数学、语文、英语成绩，加上1倍的标准化生物、化学成绩，加上5倍的标准化物理成绩。

*说明，在乘以系数之前已经把各科成绩进行标准化处理，因为数据和数据不同。满分150分的科目(如数语英)得90分和满分100分的科目(物化生)得90分的意义是不同的。比如英语150分满分得了90分，但换成百分制的话才刚刚及格(相当于100分满分才得了60分)，与满分100分得了90分做对比，显然不是一个概念，因此我们需要对数据进行标准化处理，把各科成绩的最高分和最低分映射到0-1的范围空间，再对各科成绩进行加权，以保证满分150分的科目和满分100分的科目在加权之前有相同的起点。

数据标准化公式：x*=(x-min)/(max-min)

按照教导主任的加权算法得出的结果是，派权重分前三名，即总成绩分别排名第1、6、17，物理单科成绩分别排9、4、1的若雨、婧淇、绍辉三名同学参赛。

如此一来，我们通过给多个学科进行加权计算，得出加权权重分，最终得出了我们想要的结果：兼顾物理成绩与总成绩;物理成绩最重要;同时总成绩中数语外成绩相比化学生物更重要一些。

物理成绩占加权权重分的比例为39%。

教导主任的加权公式中的权重值可以自由定义，本文用的是5、3、1的比例，权重比例不同，最终选派参赛的结果也不尽相同。这个权重计算小工具，可以应用到关键词筛选的工作当中。关键词有很多数据维度，比如展现量、点击量、点击率、转化率等，当需要兼顾多个数据维度的筛选时，比如要找转化率高，并且搜索人气也要高，点击率别太低的词，就可以通过这个方法给多个数据维度自定义加权，筛选出我们想要的关键词。

真实世界的排名算法reddit网站的排名算法

上述学生排名只是一个简单的举例，真实世界中的加权算法是什么样的呢?

我们以国外知名的论坛reddit为例，来了解下算法是如何工作的。(为什么不用国内的论坛来说明呢?因为国内的论坛算法未公开(遗憾的是现在reddit在国内无法直接访问))