如今，无论是偏功能性的电商点评类产品，还是偏社区类的内容型产品，评论区的主要性愈发突出。
它直接影响着商品转化率、社区氛围、用户粘性等多个方面，对一些用户年轻化的内容社区，乃至会涌现评论区比正文更吸引用户不雅观看的情形，可以说评论区功能设计的好坏直接影响产品的口碑。
评论区的设计上要考虑很多细节，排序规则是个中主要一环。
一方面它决定了用户浏览顺序，另一方面它影响头部评论区的呈现，其内容质量直接影响不雅观者感想熏染，亦对社区氛围起到牵引浸染。
主流的排序办法有韶光排序、热门与推举，较不常见的有用户属性、内容属性等，每每在前者的根本上进行权重增加，搞清楚不同维度的排序顺序有何利害与适用场景，对我们设计一个体验精良的评论区有很大帮助。
二、评论排序的不同维度
我们都知道，对同类事物的排序，要基于其自有属性，任一属性都可以成为我们对其排序的一种维度。
于是我通过评论的完全过程，即“评论者发布了评论内容，引起其他读者的互动”。
剖析其包含的紧张属性，我将其分为4类：用户种别/标签、评论韶光、评论内容、热度（评论互动）。
1. 用户种别/标签
用户标签，指得是评论者可能有的分外化的身份标识。
首先明确的是每个产品的大部分用户都是普通用户，仅有少部分用户会由于与正文、与内容领域、或与发布者的关系，被授予分外标签。
产品会考量这个标签是否会提高其他用户对其评论内容的关注度，以此来提高其排序权重。
举个例子，网易云音乐将音乐的作者发布的评论定义为<主创说>，就排在了点赞数比它高的其他评论的前面。
由于作为主创歌手发布的评论内容，要比普通用户的评论更随意马虎获取关注，以是将其排序在前，以此增加其曝光率。
基于此，可以推论具有饭圈文化的社区评论一样适用此套逻辑。
2. 评论韶光
韶光排序分正序与倒序两种，是最主要的排序维度之一。
韶光使统统发生变革，这是自然规律。当评论与评论之间的关联包含着某种韶光维度上的逻辑关系时，韶光正序可以让你像翻阅历史一样清晰的把握全体来龙去脉。
比如微信的朋友圈便是将评论按韶光正序排列，我们看下图中可以快速的理解人物对话互动的逻辑关系。试想一下如果是反序，阅读理解起来会多么痛楚呢。
再比如百度贴吧，它在很长一段韶光也是默认以韶光正序排列评论：
一方面早期贴吧没有做评论聚合展示，用户在评论区都是下一层楼回答上一层楼，互动关联强；另一方面也是由于贴吧对帖子内容有字数限定，而很多楼主喜好用连载、直播的办法来发帖，采取正序方便用户从头到尾的看下去。还记得【只看楼主】那个功能吗？也是因此而产生的，这个社区习气如今依然存在。
综上所述，一个社区由于熟人社交、或用户习气等缘故原由导致评论与评论之间有基于韶光维度上的互动性或者连续性等逻辑关联，则韶光正序排列对实在用。
正序排列也有缺陷：
首先，用户看到的头部评论一贯取决于最早期的评论者所揭橥内容，纵然随着韶光流逝内容已经由时，依然不变的呈现给新用户，很随意马虎主导与操纵评论区的气氛。同时，当用户量增大，评论数以千计时，后来的用户评论曝光率会越来越低，新用户的评论积极性也降落了，不利于社区发展。韶光倒序排列则可以避免这个问题：
一方面增加了用户评论积极性，另一方面则是由于个中一些电商类、做事类、时讯类的产品具有强时效性，社区内容随着韶光的变革，早期评论的实际意义越来越低，而越新鲜的评论对用户来说参考代价越大。他可以利用户优先打仗到最新的评论信息，这是倒序排列的代价所在。如今韶光倒序排列被广泛运用，不胜列举。
值得一提的是，在评论区，多数产品会对把互动评论采取聚合的方法呈现，对付再次聚合后的评论，每每具有更高的粘性，须要重新思考排序办法。
如网易云音乐在评论区按韶光倒序排列时，进入评论聚合页后它却是按照韶光正序排列，其聚合展示页评论内部的关联性较强。
反例如微博，微信心书，无论在评论区首页还是聚合评论页，韶光维度上都是倒序。
下图中问题清晰可见，诚然由于微博的用户体量太大，即便是二级聚合页评论也有太多。
那不妨参考下抖音的做法，它在聚合评论列表下通过算法把有关联性的评论聚合显示，按正序排列，而没有关联性的评论则按照反序展示，正序与反序都发挥了应有的浸染，非常聪明的做法。
关键点：评论数量、逻辑关联。
3. 评论内容：篇幅、有无图片视频、内容干系性
这类排序一样平常在电商、点评类产品中有表示，这类用户每每通过评论区内容赞助其购买决策，评论对商品转化率影响大，以是须要将优质的，更利于判断商品代价的评论内容排在头部让用户看到。
比如在淘宝商品的动态评价排序算法中，内容长度、有无图片视频，图片质量如何，内容里是否包含商品本身的品质、店家做事干系性的关键信息，都会影响该条评论的排序权重·。
评论包含的代价信息越多，越能帮助用户提高商品筛选效率。
4. 热度（评论互动）
热度是指通过统计点赞、转发、评论等评论互动的频率得出用户群体的兴趣偏好，这里以范例形式点赞为例。
从2009年facebook上线“点赞”功能后，此类点赞/反对/喜好的一键式反馈在互联网一贯广泛盛行，低用户本钱、利用频率高、自带喜好方向，它使产品可以快速得到最具代表性的热门评论。
该排序维度与前三者的差异在于，评论者、韶光、内容都是一条评论的固有属性，而热度是特有属性，它须要用户参与才可以得到，以是一样平常热度是合营韶光来完成排序的。
热门排序也有它的问题，若以点赞数进行排序对早期评论过于友好，头部效应太大，后期评论者很难再从中脱颖而出；若以点赞率进行排序则会过分放大前期少量赞数的浸染。
因此有人发明了威尔逊置信区间法来改动它的毛病：
威尔逊置信区间法以热门排序为根本，采取点赞率打算得分，削弱头部效应，且通过威尔逊区间公式的下限值来减少当总评论人数量较少时得分的不准确性，随着评论人数的上升，该得分就越靠近其真实应有的排名，这个方法后来被reddit,digg,yelp，知乎等产品沿用至今。
感兴趣的可以自行翻阅这篇博文《 How Not To Sort By Average Rating 》，该文作者为reddit改进了评论排序。
除此之外，还有基于点赞数与韶光打算权重的排序算法，像hacker news与reddit’s story排序法，不再详述。
三、小结
基于热度的智能排序算法仍在不断修正完善中，工程师们头疼于如何权衡不同影响成分的权重，设计师则担心用户会由于头部露出带来的社交效应和社会成本提高，而违心评论或刻意制造噱头以得到更多的赞。
这将在某种程度上降落评论的真实性与代价含量，影响用户从评论区得到代价信息的效率。
而无论如何，热度排序只是一种基于大数据的统计方法，产品不同，用户不同，排序办法也要动态调度。
进一步设想，如果我们的算法够智能，是否能以小数据统计为每个用户呈现不同的评论排序以知足更多样化的内容需求呢？
我想当评论区变得越来越主要时，这也同样值得去磋商。
本文由 @尹天愁 原创发布于大家都是产品经理。未经容许，禁止转载
题图来自Unsplash，基于CC0协议
