知乎在发展过程中应用了哪些增长黑客手段？思维导图

2014年11 月 17 日，知乎制作的小游戏《财务包子铺》上线后在微信朋友圈里疯传。它被知乎日报直接定义为“软游戏”，目的是推广知乎出的新书《金钱有术》。这是一个关于创业的小游戏，玩家以创业老板的身份，对自己的包子铺的日常经营做出决策。听上去没什么特别，不过不少玩过的人发现，嘿，还真有点意思。

为什么是包子铺呢？在知乎的金融财务类问题里，回答者常会用“包子铺”来代表最基础的一家企业，围绕它进行一系列通俗易懂的解释和演绎，将枯燥的财务问题化为接地气的包子铺故事，久而久之形成了独特的“包子铺文化”。《财务包子铺》小游戏正是脱胎于这系列回答。（书和游戏都已得到知友授权。）

知乎市场部负责人透露，其实从书到游戏都是知乎用户全程参与进来的一个事件。首先是知乎过去两年活跃了一批金融、投资、财务背景的知友，已经产生了大量优质内容。然后知乎发现，更广大的用户对这些财务知识也有市场需求。但非财务背景的普通人，很难逾越一道专业门槛和心理障碍，愿意花钱买书去学习财务知识。

“我们在推广上还必须做好一个台阶或者说斜坡让非专业读者走过来。”而《财务包子铺》小游戏，正式这样一个“斜坡”，“把财务经营的理念、知识融于其中，让大家通过游戏知道自己在这方面的知识欠缺，从而产生购买意愿。”

“希望寓教于乐，那么题干结局要信息量大，又要有趣，万万不能敷衍了事。”知乎市场部头脑风暴了三天，之后又随时想出一些新创意：例如续命是要选择知乎新书的，“又硬又有趣”；还有会计三张表，难倒了许多人，也容易形成传播，成为对会计第一课的基本知识的普及。

在游戏线路和框架已经搭建好的基础上，又花了三天时间写文案，润色所有题干和结局。

这个游戏的一大乐趣在于探索各种脑洞大开的结（死）局（法）。知乎设计了 90 多种结局，30 多幅配图，很多人会反复刷，直到刷出 10 种以上结局。

“软游戏”软在哪里呢？游戏中专门设计了机制，比如用户如果决策失误，就会收到破产警告，需要选择一本救命书——当然就是这本《金钱有术》。续命之后可以继续游戏，让玩家对新书留下了初步印象，又不会中断游戏。

如果最终还是不幸破产，会有“通关秘籍”选项，这时才会将用户导入《金钱有术》亚马逊购买页面。

知乎团队在激励用户活跃度方面的诸多尝试，比如将“人”作为主要的传播节点，比如早在2012年4月就在个人主页加入了很多社交元素：个人资料新增“职业经历、居住地、教育经历、擅长技能”，会显示用户获得的赞同和感谢数。总结起来就是一方面引入了社会身份，一方面建立了知乎站内的荣誉体系。

知乎上的个人品牌和专业声望不是来自于职场中的profile和工作经验，而是用户通过回答问题、通过用户（不仅仅是业内人士）的点赞树立起来的。这是一套和传统职场完全不同的评价体系

这种基于持续回答问题不断为人所认识的社交方式，在所有的社交网站中无疑是门槛最高的。在知乎打造个人身份、品牌的超高门槛使得社区内涌现出了少数孜孜耕耘的“达人”。也贡献了大量高质量内容。

知乎上拥有大量的用户行为数据，这些行为也分轻重，不同的行为，会耗费用户不同的时间，用户对该事件的关注度也能够体现出来。此外，知乎上还有大量的文本信息，基于这些信息，知乎对于用户的兴趣点、擅长的领域的挖掘会更准确。

用户在知乎上的行为是多维度的；既包括比较轻的浏览阅读，又包括重一些的赞同、反对，还有更重的提问回答（这里的重和轻是根据用户操作成本来界定的）。知乎可以根据这些行为做用户的特征分析，基于各自不同的服务特点，所要分析的特征、采用的算法及其效果各有不同。基于行为和文本，知乎对用户的兴趣和擅长能有更准确的识别。

现实社会中，人们对于某些领域的知识掌握会很深入，但个人精力有限，没有人能够全知到成为所有领域的专家。这种情况被映射到知乎上，即不同的用户在不同的话题领域下，他们的专业性是不同的。为了掌握这种不同，知乎给每个人，在每个话题下计算一个权重。计算的分值主要依据用户在知乎上的回答。当然，这里也会加入一些其他考量因素，包括其他专业人士对该用户的背书，用户的专业背景等。

这是知乎非常基础的数据设施，但这个数值计算的量级较大（100万回答用户10万话题＝千亿级别的数量计算），知乎对于权重判定每周都会进行全量的计算，也一直在调整优化中。

知乎对答案排序算法进行优化，目的是让好的答案更靠前。随着用户量不断增加，早期最简单的答案排序规则出现了问题：一些答案友情赞同比较多，让专业性不足的答案被推到靠前的位置。于是，团队想到了给赞同票加权重的方法，基于每个人在话题下的专业权重进行计算，排序得到优化，能让大部分优质答案可以排到前面。虽然针对权重计算的优化仍然在持续进行，但知乎技术团队还是遇到了一些算法上的瓶颈。如：当问题下有多个发布较早的回答获得高票时，新的回答即使质量很高，也很难在问题页上获得足够的曝光，难以积累更多赞同票；另外，一些误导性、煽动性的高票内容，即使同时也有很多反对票，却仍然排在认真、严谨但票数相对较少的优质回答前。这些问题在专业领域内对参与讨论的用户造成的伤害尤其明显。

于是，知乎又设计了新的排序算法。使用威尔逊得分算法，即使前一步错了，现在这个新回答排到了前面，获得了更多展示，在它得到更多投票后，算法便会自我修正，基于更多的投票数据更准确地计算得分，从而让排序最终能够真实地反映内容的质量。该新算法年初发布之后，得到知乎站内用户热烈的反馈，很多专业的讨论涌现出来，为知乎的下一步优化提供了很好的想法。

知乎有个反垃圾系统（名「悟空」），每一次用户提交请求都会经过「悟空」的分析处理，「悟空」会通过一系列包括发布频率侦测、文本分析、相似行为检测、用户可信度查验等几十条在线分析策略，作出判断，根据判断结果，系统会作出对应的处理动作，比如屏蔽请求，删除内容封禁帐号、限制行为等。「悟空」会基于正常用户的行为模式，检测异常离群点；不断输入Spammer的行为数据，以检测相似 Spammer行为。

知乎希望在首页给不同的用户、不同的时段挑选出最棒的内容，使用机器学习算法，知乎提供了不会重复的个性化内容排序。首页的内容会主要考虑这几方面：

“谢邀”这个词的产品功能是为每一个问题找到合适的回答者。采取一种算法模型预测某个用户回答某问题的可能性和回答质量，有 90% 的邀请是通过这种推荐结果发出的，剩下 10％ 是用户主动搜索产生的。

针对每个用户做了个性化的计算，通过不断的算法优化，知乎已经做到30%的打开率和14%的点击率。

对问题的文本进行聚类，比如文本语义匹配，通过复杂的词袋模型（如传统的PLSA、LDA、新的Word2Vec等）对问题文本进行向量化，这样通过语义将相关问题聚类起来。知乎站内拥有庞大的用户浏览数据，如果将这些浏览数据通过简单地算法（如协同过滤）建立一个模型同样也能达到很好地效果。