这篇文章想聊的是访客分层权重矩阵到底怎么落地。我先把一个真实案例摆出来,因为这事儿光讲概念容易飘。
有个做二类电商的团队,上个月找到我们。他们的流量结构挺典型的:一天八千到一万的点击,七成是信息流带来的,剩下三成走搜索,落地页呢,准备了标准版和完整版两套。他们想按访客质量分三档去承接,思路没问题,但规则写成了"UA含移动端就发A页,其余发B页"这种。说白了就是一刀切。结果就是高价值访客和低质量流量全被塞进同一个版本里,转化数据怎么都拉不开。他们要的东西其实就是访客分层权重矩阵——把好几个信号按权重合成一个分数,再根据分档决定返回哪个页面。下面我就从一次请求进系统开始,把这条加权判定链路一步步拆开讲。
请求进入:信号采集的时机与范围
访客分层权重矩阵第一步,得先想清楚"拿什么信号来算分"。一次请求进来,能拿到的信号大概分四类:
- 请求头类:User-Agent、Accept-Language、Referer、Header 顺序。这些是同步就能拿到的,几乎零延迟。
- 网络类:出口 IP 段、ASN、IP 归属地。要查表,一般走本地内存缓存。
- 行为类:历史访问次数、停留时长、点击路径。得读会话存储,延迟看存储介质。
- 环境类:Cookie 在不在、指纹字段全不全。这关系到首次访问的判定。
这里有个关键判断:信号不是全都拿来算分的。采集范围得和判定粒度匹配,这个事儿在请求上下文判定粒度那篇里聊过——粒度越细,需要的信号越多,同步等待的成本也跟着涨。实务里我们一般把信号分成"必采"和"选采"两组。必采的走主链路同步取,选采的走异步补采,不阻塞首次判定。
权重映射:从原始信号到可加权的分值
信号拿到手之后,每个信号要映射成一个可加权的数值。这一步是权重矩阵的核心,也是最容易配错的地方。映射方式通常有三种:
- 二值映射:命中给固定分,不命中给零分。比如"Cookie 存在"给 10 分。
- 区间映射:看信号落在哪个区间给不同分。比如历史访问次数 0 次给 0 分,1-3 次给 8 分,4 次以上给 15 分。
- 衰减映射:信号越强分值越高,但有上限。比如IP 信誉分按段位给分。
映射完之后,每个信号得到一个基础分,再乘以该信号的权重系数,就是它在总分里的贡献。这里有个容易忽略的点:权重系数之和不必等于 1,因为分档阈值是绝对值。很多团队按百分比思路配权重,结果调整一个信号时其他信号的实际影响也跟着变,越调越乱。
权重配置的另一个边界是信号之间的相关性。UA 和 Accept-Language 经常同向变化,两个都配高权重,等于把语言特征重复计了两次。稳妥的做法是把同源信号归为一组,组内先合成,组间再加权。具体到缓存键设计上,哪些字段该参与哈希、哪些不该,可以参考跳转判定缓存键里里的取舍逻辑。
加权计分:一次请求的分值计算过程
假设一个请求进来,各信号映射后的基础分和权重如下:
- Cookie 存在:基础分 10,权重 1.5,贡献 15
- 历史访问 4 次以上:基础分 15,权重 1.2,贡献 18
- IP 段为优质段:基础分 12,权重 1.0,贡献 12
- 指纹字段完整:基础分 8,权重 0.8,贡献 6.4
加权总分 = 15 + 18 + 12 + 6.4 = 51.4。这个分数落在哪一档,由阈值决定。计分本身是纯计算,开销可以忽略。真正吃性能的是信号采集和存储读取。如果行为类信号要走远程 Redis,一次读取就是几毫秒,高并发下会明显拖慢判定。所以加权计分的工程重点不在算,而在"哪些信号值得等"。
阈值分档:把连续分数切成离散版本
加权总分是一个连续值,但页面版本是离散的。阈值分档就是切分规则。常见的三档切法:
- 0 到 30 分:低质量档,返回标准版页面
- 30 到 60 分:中等档,返回完整版页面
- 60 分以上:高质量档,返回完整版加增强承接
阈值怎么定,取决于流量结构和版本数量。如果高价值流量占比本来就低,阈值定太高会导致大部分请求都落在低档,高档版本形同虚设。反过来,阈值定太低,高质量版本被大量普通流量消耗,承接资源被摊薄。阈值调整有一个安全顺序:先看各档的请求占比,再看各档的转化表现,最后才动阈值。直接改阈值不看占比分布,很容易出现某一档突然被清空或挤爆的情况。这一点和访客信号冲突时怎么定版本里提到的证据加权思路是一致的——权重和阈值是一套系统,不能分开调。
版本返回与后续记录
分档结果出来后,系统按档位映射到具体页面版本,返回对应的内容适配结果。同时,这次判定的分值、命中档位、参与的信号快照要落一条日志,供后续复盘用。日志里至少要记:加权总分、各信号贡献分、命中阈值线、返回版本标识。少了任何一个,出问题时都很难回溯是信号采集错了、权重配错了还是阈值切错了。
小结
访客分层权重矩阵的本质,是把多个离散信号合成为一个连续分数,再用阈值切成可执行的版本决策。链路是:采集信号 → 映射基础分 → 乘权重求和 → 阈值分档 → 返回版本。配置时注意三件事:权重系数用绝对值不用百分比、同源信号先归组再加权、阈值调整必须结合各档占比一起看。
常见问题
权重矩阵和规则优先级有什么区别?
规则优先级是"先命中哪个规则就执行哪个",本质是串行判断;权重矩阵是"所有信号一起算分再分档",本质是并行合成。两者不冲突,可以先用矩阵算分,再用规则做例外处理。
信号采集延迟高会不会拖慢页面返回?
这个要看情况。如果行为类信号走远程存储,确实会加几毫秒。实务里一般把这类信号设为异步补采,首次判定只用同步信号,后续请求再逐步补全。
权重系数一定要归一化吗?
不必。阈值是绝对值,权重只要保持相对关系稳定就行。归一化反而会让每次增删信号都要重算所有系数,调整成本更高。
阈值分档数量越多越好吗?
不是。档位越多,每档的样本越薄,转化数据越难积累到可判断的量级。中小流量账户一般两到三档就够了。顺带说一句,我一般还会留一个兜底档,专门接分数异常低的请求。
调整权重后多久能看出效果?
取决于流量量级和转化周期。日均几千点击的账户,通常要观察一到两周才能看出分档后的转化差异。调完立刻看数据,大概率是噪声。
延伸阅读
权重矩阵解决的是"怎么算分",而值不值得为这套系统投入,还需要从风险和成本角度权衡。下面这篇从投入产出角度做了梳理,可以配合阅读。