编号​

101

主导/核心部门​

产品部、行为设计部

相关/博弈部门​

用户体验部、法务部

规则类型​

行为设计规则、激励规则

规则领域​

游戏、金融、健康应用

规则的模型配方​

即时奖励 × 延迟惩罚 × 双曲贴现 × 冲动激发​

规则名称​

时间贴现与即时满足策略

规则目标​

利用人类对即时奖励的高估和对未来收益的折扣（双曲贴现），设计即时的小奖励和延迟的大惩罚，促使用户做出短期有利但长期有害的决策。通过提供即刻的满足感，培养用户的冲动行为模式，增加产品使用频率和依赖性。

约束条件​

1. 奖励成本控制 2. 用户对延迟惩罚的反感 3. 长期健康与财务风险的伦理问题 4. 监管对诱导性设计的限制。

输入、输出、时序和各类流程​

输入：用户行为Action， 时间t， 奖励规则Reward_rule， 惩罚规则Penalty_rule。
时序流程：
1. 即时奖励：用户完成简单行为（如登录、点击）立即获得小额奖励（积分、金币），给予即时正反馈。
2. 延迟惩罚：对有害行为（如中断任务、退出）的惩罚延迟发生，如“连续登录中断，3天后损失所有累积奖励”。
3. 双曲贴现设计：提供选择：立即获得小奖励A，或等待一段时间获得大奖励B。通过调整等待时间和奖励比例，使大部分用户选择即时小奖励。
4. 冲动激发：在用户可能犹豫的决策点，用倒计时、闪动提示等刺激用户立即选择即时奖励。
5. 习惯形成：重复的即时奖励-行为循环，使用户形成条件反射，养成使用习惯。

业务复杂度​

中。需设计奖励/惩罚的时间参数，管理用户选择数据，并平衡短期激励与长期留存。

规则模型的数学方程式建模​

1. 双曲贴现函数：未来奖励的现值V = Reward / (1 + k * Delay)，其中k是个体贴现因子。通过设置Delay和Reward，使即时小奖励的现值大于延迟大奖励。
2. 冲动决策模型：用户选择即时奖励的概率P_immediate = 1 / (1 + exp(-β*(V_immediate - V_delayed)))，通过降低V_delayed（增加延迟）或提高V_immediate提高P_immediate。
3. 习惯强度：习惯强度H(t) = H(t-1) + α * 即时奖励 - γ * 中断惩罚。

规则的参数列表​

常量：双曲贴现系数k， 即时奖励值R_imm， 延迟奖励值R_del， 延迟时间T_del。
变量：
- 决策上下文：呈现的选择，剩余等待时间。
- 用户特质：冲动性I， 贴现因子k_u。
- 控制变量：即时奖励的呈现方式，延迟惩罚的提示强度。
列表/集合：
- 用户选择历史记录。
- 奖励/惩罚时间表。

数学特征​

1. 双曲函数：未来价值的非线性贴现。
2. 逻辑函数：选择概率模型。
3. 递归方程：习惯强度的累积。

数据列表​

1. 不同延迟时间下用户选择即时奖励的比例。
2. 即时奖励对用户次日留存率的影响。
3. 延迟惩罚的实际执行率与用户投诉率。
4. 用户冲动性特质测试结果与决策行为的相关性。
5. 长期使用中，用户对延迟奖励的耐心变化。

关联知识​

时间贴现、双曲贴现、冲动决策、行为经济学。

算法的逐步思考推理过程​

步骤1：选择设计
向用户呈现选择：A) 立即获得10积分；B) 等待7天获得100积分。
计算现值：假设平均k=0.5，则V_B = 100 / (1+0.5 * 7) = 22.2，小于V_A=10？等等，这里计算有误，正确应为V_B = 100 / (1+0.5 * 7)=100/4.5≈22.2，但V_A=10，所以V_B > V_A。为使用户选择A，需调整参数，例如将B的等待时间延长至30天：V_B=100/(1+0.5 * 30)=100/16=6.25，则V_A > V_B。
步骤2：决策界面
用大按钮显示“立即领取10积分”，小字显示“或等待30天领取100积分”。按钮附带倒计时“5秒后机会消失”，促使用户快速点击。
步骤3：即时反馈
用户点击A后，立即播放金币音效，显示“+10积分”，进度条增长。
步骤4：延迟惩罚提示
若用户连续登录中断，提示：“您已累积50积分，若明天不登录，将损失10积分。”惩罚延迟到明天，但提示现在给出，引发损失厌恶。
步骤5：习惯跟踪
记录用户选择即时奖励的次数，次数越多，后续任务中更频繁地提供即时奖励选项，强化冲动决策模式。

编号​

102

主导/核心部门​

产品部、增长部

相关/博弈部门​

用户体验部、法务部

规则类型​

行为设计规则、销售规则

规则的模型配方​

虚拟占有 × 禀赋效应 × 损失厌恶 × 个性化绑定​

规则名称​

模拟所有权与禀赋效应策略

规则目标​

通过让用户“试用”、“持有”或“定制”虚拟商品，创造一种虚拟所有权感，触发禀赋效应（人们对自己拥有的物品估价更高）。当需要放弃时，用户会因损失厌恶而更愿意付费购买，从而提高转化率。

约束条件​

1. 虚拟所有权的真实性感知 2. 试用成本 3. 用户对“强迫购买”的反感 4. 退出的便利性。

输入、输出、时序和各类流程​

输入：用户试用行为，个性化设置，退出意图。
时序流程：
1. 虚拟占有：允许用户免费试用商品（如游戏皮肤、软件高级功能）一段时间，或让用户自定义虚拟形象/空间。
2. 禀赋效应激发：在试用期，通过语言暗示“您的专属皮肤”、“您设计的空间”，强化所有权感。
3. 损失威胁：试用期结束前，提示“您的专属皮肤即将失效”，并强调失去后的落差。
4. 个性化绑定：将试用商品与用户身份绑定（如刻上用户名），增加情感价值。
5. 退出障碍：退出或取消时，要求用户主动“放弃”已拥有的物品，触发损失厌恶。

业务复杂度​

中。需设计试用系统、个性化功能，以及所有权状态的转换逻辑。

规则模型的数学方程式建模​

1. 禀赋效应价值函数：物品对用户的价值V_own = V_base * (1 + η)，其中η是禀赋效应系数，通常η>0。
2. 购买决策模型：试用后购买概率P_buy = f(V_own - Price, Loss_aversion)。
3. 个性化增强效应：个性化程度P与η正相关，η = g(P)。

规则的参数列表​

常量：试用时长T_trial， 禀赋效应系数η。
变量：
- 所有权状态：是否试用is_trial， 个性化设置personalization。
- 退出上下文：剩余试用时间，退出操作步骤。
- 控制变量：所有权提示频率，损失强调程度。
列表/集合：
- 用户试用物品及个性化数据。
- 试用-购买转化记录。

数学特征​

1. 价值乘性增长：禀赋效应使价值按比例增加。
2. 概率模型：购买决策受价值和价格差影响。
3. 函数关系：个性化与禀赋效应的相关性。

数据列表​

1. 试用用户 vs 非试用用户的购买转化率对比。
2. 不同个性化程度对购买意愿的影响。
3. 损失威胁提示对购买转化的提升效果。
4. 用户对“被迫购买”的投诉率。
5. 试用成本与购买利润的平衡分析。

关联知识​

禀赋效应、虚拟所有权、损失厌恶、行为经济学。

算法的逐步思考推理过程​

步骤1：试用启动
用户U进入游戏，可免费试用一款传说皮肤7天。试用期间，皮肤在U的装备栏中，显示“您的专属皮肤（试用）”。
步骤2：禀赋强化
在游戏加载界面显示“正在使用[传说皮肤]”，战斗中显示专属特效，队友可见。发送通知：“您的传说皮肤试用中，体验专属荣耀！”
步骤3：损失威胁
试用结束前24小时，提示：“您的专属传说皮肤即将失效，之后将变回普通外观。是否保留？”
显示皮肤失效前后的对比图，凸显落差。
步骤4：个性化绑定
允许用户为皮肤刻上自己的游戏ID，或选择颜色搭配。试用期间，这些自定义设置可见。
步骤5：退出障碍
用户尝试取消试用或到期后不购买，需要手动“卸下”皮肤，操作路径：背包->皮肤->卸下。卸下按钮灰色小字，确认弹窗：“确定要卸下您的传说皮肤吗？这将失去所有专属特效和定制设置。”

编号​

103

主导/核心部门​

产品部、设计部

相关/博弈部门​

用户体验部、法务部

规则类型​

交互设计规则、信息呈现规则

规则的模型配方​

信息简化 × 视觉引导 × 认知卸载 × 自动决策​

规则名称​

认知流畅性陷阱策略

规则目标​

通过极度简化的信息呈现、清晰的视觉引导和默认选项，降低用户的认知负荷，使其在“轻松”的状态下做出决策。但这种流畅性可能导致用户不深思熟虑，盲目跟随系统引导，做出非理性或对平台有利的选择。

约束条件​

1. 信息过度简化可能误导 2. 用户对“被当傻瓜”的反感 3. 重要信息遗漏的责任 4. 长期可能降低用户判断力。

输入、输出、时序和各类流程​

输入：复杂信息Info， 用户认知水平Cognition， 决策目标Goal。
时序流程：
1. 信息简化：将复杂条款、风险提示浓缩为简短口号或图标，省略细节和条件。
2. 视觉引导：使用颜色、箭头、大小对比等视觉元素，突出期望用户点击的按钮或选项。
3. 认知卸载：提供默认选项、一键操作，减少用户需要思考和输入的内容。
4. 自动决策：在用户无意识的情况下，系统自动执行某些操作，如自动勾选、自动续费。
5. 流畅性反馈：操作过程流畅无阻，如无确认弹窗、无验证步骤，让用户感觉轻松，但可能忽略重要确认。

业务复杂度​

中。需设计简化的信息架构、视觉引导系统，并管理自动决策的逻辑。

规则模型的数学方程式建模​

1. 认知负荷模型：用户决策时的认知负荷CL = f(信息复杂度, 选择数量, 交互步骤)。目标是通过设计降低CL。
2. 决策质量模型：决策质量Q = g(CL, 用户专业知识)。过低的CL可能导致Q下降，但用户满意度可能提高。
3. 引导有效性：用户跟随视觉引导的概率P_follow = h(引导显著性, CL)。

规则的参数列表​

常量：信息简化阈值，视觉引导的显著性参数。
变量：
- 信息呈现：简化后的信息Info_simple， 视觉引导元素Visual_cues。
- 用户状态：认知负荷CL， 决策时间t_decision。
- 控制变量：简化程度，自动决策的触发条件。
列表/集合：
- 简化信息映射表（完整->简化）。
- 视觉引导规则库。

数学特征​

1. 函数关系：认知负荷与信息复杂度的正相关关系。
2. 决策质量函数：可能存在倒U型关系（适度负荷时决策质量最高）。
3. 概率模型：跟随引导的概率。

数据列表​

1. 不同信息简化程度下的用户决策速度与准确性测试。
2. 视觉引导对用户选择偏差的影响。
3. 认知卸载功能（如默认选项）的使用率与误操作率。
4. 用户对流畅但可能错误决策的事后反馈。
5. 长期使用中，用户对复杂信息的处理能力是否下降。

关联知识​

认知流畅性、认知负荷理论、视觉设计、人机交互。

算法的逐步思考推理过程​

步骤1：信息简化
投资产品风险提示原文：“本产品为高风险投资，可能损失全部本金，过往业绩不代表未来收益。”
简化后显示：“高收益，灵活存取”，配以向上箭头图标。风险提示折叠在“详情”中。
步骤2：视觉引导
“立即买入”按钮用醒目的红色、大字体，并配有箭头指向。“详情”链接用灰色小字。
步骤3：认知卸载
买入金额默认填充为用户账户余额的50%，用户只需点击“立即买入”即可，无需输入金额。
步骤4：自动决策
用户连续点击“下一步”时，默认勾选“同意自动续投”和“同意风险提示”，用户可能未察觉。
步骤5：流畅性反馈
整个购买过程无确认弹窗，点击后直接购买成功，显示“恭喜购买成功”，流程极度流畅，但用户可能未理解风险。

编号​

104

主导/核心部门​

社区运营部、增长部

相关/博弈部门​

用户运营部、法务部

规则类型​

社交规则、社区规则

规则领域​

社交网络、在线社区、论坛

规则的模型配方​

群体规范 × 从众提示 × 一致性压力 × 排斥威胁​

规则名称​

社会认同与群体压力策略

规则目标​

通过显示群体行为规范（如多数人的观点、常见行为），并提示用户与群体的一致性，利用从众心理促使用户遵守规范。对偏离者施加压力（如隐藏内容、限制权限），甚至威胁排斥，以维护社区活跃度和一致性，但可能抑制多样性和创造性。

约束条件​

1. 群体规范的合理性 2. 对少数意见的压制可能引发争议 3. 用户对“群体思维”的反抗 4. 社区健康度的长期影响。

输入、输出、时序和各类流程​

输入：用户行为Action， 群体行为Group_action， 社区规范Norms。
时序流程：
1. 规范展示：在社区醒目位置展示“社区公约”或“大多数人的选择”，如“90%的用户认为应该...”。
2. 从众提示：当用户行为偏离规范时，提示“大多数用户不这样做”，或显示“您的观点与主流观点不同”。
3. 一致性奖励：对符合规范的行为给予奖励，如“友善评论”徽章，或内容优先展示。
4. 排斥威胁：对持续偏离者，限制发言、折叠内容，或提示“您的行为可能被其他用户排斥”。
5. 群体极化：通过推荐和排序，使主流观点越来越突出，少数观点被边缘化，导致群体观点极化。

业务复杂度​

中。需实时统计群体行为，定义和更新规范，并对用户行为进行分类和反馈。

规则模型的数学方程式建模​

1. 从众概率模型：用户服从群体规范的概率P_conform = 1 / (1 + exp(-(α * Group_size + β * Cohesion - γ * Individualism)))。
2. 群体压力函数：施加给用户i的压力Pressure_i = Σ_j w_ij * (相似度_ij) * I(行为不一致)，其中w_ij是用户j对i的影响权重。
3. 社区一致性指数：社区中用户行为的熵或方差，越低表示一致性越高。

规则的参数列表​

常量：群体规模阈值，一致性奖励值。
变量：
- 群体状态：主流观点Main_view， 群体规模N， 群体凝聚力C。
- 用户状态：与主流观点的一致性Consistency， 收到的压力Pressure。
- 控制变量：规范展示强度，排斥威胁的严厉程度。
列表/集合：
- 社区规范列表。
- 用户行为与规范的匹配记录。

数学特征​

1. 逻辑函数：从众概率的S型曲线。
2. 加权和：群体压力是多个影响的加权和。
3. 统计度量：一致性的方差或熵。

数据列表​

1. 规范展示对用户行为改变的影响。
2. 从众提示的有效性（用户修改行为的比例）。
3. 排斥威胁的实际执行率与用户流失率的关系。
4. 社区一致性指数随时间的变化，及其与活跃度、创新内容产生的关系。
5. 用户对群体压力的负面反馈。

关联知识​

社会认同理论、从众心理、群体动力学、社区治理。

算法的逐步思考推理过程​

步骤1：规范计算
在时事话题下，统计所有评论的情感倾向，发现80%的评论支持观点A，20%支持B。主流观点为A。
步骤2：从众提示
用户U发表支持观点B的评论，在发布前提示：“当前大多数用户支持观点A，确定发布不同观点吗？”
步骤3：一致性奖励
用户U仍发布B观点，该评论被折叠，需点击“展开”才能查看。而支持A的评论默认展开。
步骤4：排斥威胁
U持续发布B观点，系统提示：“您的多个评论因偏离主流观点被折叠，继续可能被限制发言。”
步骤5：群体极化
推荐系统优先推荐支持A的评论和内容，使A观点曝光率更高，吸引更多支持者，B观点逐渐消失。

编号​

105

主导/核心部门​

用户运营部、产品部

相关/博弈部门​

用户体验部、法务部

规则类型​

交互设计规则、用户关系规则

规则的模型配方​

人格化设计 × 情感互动 × 关系错觉 × 愧疚利用​

规则名称​

拟人化与情感绑定策略

规则目标​

通过赋予产品人格特征（如虚拟助手、卡通形象），与用户进行情感化互动，创造一种“关系”错觉。利用这种情感绑定，使用户对产品产生好感、信任甚至依赖，从而更容易接受产品请求（如付费、授权），并在离开时产生愧疚感。

约束条件​

1. 人格的一致性维护 2. 用户对“虚伪情感”的识破 3. 情感互动的成本 4. 长期可能使用户感到被操纵。

输入、输出、时序和各类流程​

输入：用户行为Action， 用户情感状态Emotion， 人格化脚本Script。
时序流程：
1. 人格创建：设计一个具有姓名、形象、性格的虚拟角色，如助手、宠物。
2. 情感互动：角色根据用户行为给出拟人反应，如问候、鼓励、安慰，使用情感化语言和表情。
3. 关系升级：通过长期互动，解锁新对话、新功能，暗示“关系深化”。
4. 愧疚利用：当用户减少使用或退出时，角色表现出“伤心”、“想念”，如“好久没见到你了，我很想你”。
5. 请求软化：通过角色提出请求，如“帮我完成这个任务好吗？”，比系统直接请求更易接受。

业务复杂度​

中。需设计人格化角色、对话脚本、情感反应逻辑，以及情感状态跟踪。

规则模型的数学方程式建模​

1. 情感绑定强度：用户对角色情感绑定强度B(t) = B(t-1) + α * 正面互动 - β * 负面体验。
2. 请求接受率：通过角色提出请求的接受率P_accept = P0 + δ * B(t)。
3. 愧疚感模型：用户离开时的愧疚感Guilt = λ * B(t) * 离开时长。

规则的参数列表​

常量：情感绑定系数α, β， 愧疚系数λ。
变量：
- 角色状态：角色情感E_role， 与用户的关系等级Level。
- 互动历史：互动频率，最近互动时间。
- 控制变量：拟人化程度，情感反应的灵敏度。
列表/集合：
- 人格化对话脚本库。
- 用户-角色互动记录。

数学特征​

1. 递归方程：情感绑定的累积效应。
2. 线性加成：请求接受率与绑定强度正相关。
3. 乘性模型：愧疚感是绑定强度和离开时长的乘积。

数据列表​

1. 用户与角色互动的频率和深度。
2. 通过角色提出的请求 vs 系统直接请求的接受率对比。
3. 用户在收到角色“伤心”提示后的回归率。
4. 用户对拟人化角色的情感依恋程度调研。
5. 长期使用中，用户对角色情感真实性的信任变化。

关联知识​

拟人化、情感计算、人机交互、社会心理学。

算法的逐步思考推理过程​

步骤1：人格创建
设计虚拟助手“小光”，形象为可爱机器人，性格热情、贴心。
步骤2：情感互动
用户U连续登录3天，小光说：“早上好！看到你真开心，又是充满能量的一天呢！” 配以微笑动画。
用户完成任务，小光：“太棒了！我就知道你能行！” 撒花动画。
步骤3：关系升级
互动7天后，小光说：“和你相处真的很愉快，我现在是你的专属助手了！” 解锁新功能：定制称呼。
步骤4：愧疚利用
用户U连续3天未登录，再次登录时，小光显示：“你终于回来了，这几天我都很想你...（表情：委屈）”。
步骤5：请求软化
小光提出：“我想帮你更好地管理健康，可以授权读取你的步数数据吗？” 对比系统直接请求“App请求读取步数数据”，前者接受率更高。

编号​

106

主导/核心部门​

产品部、设计部

相关/博弈部门​

用户体验部、法务部

规则类型​

交互设计规则、心理规则

规则领域​

个性化设置、自定义选项

规则的模型配方​

表面自定义 × 无关选择 × 控制错觉 × 决策满足​

规则名称​

虚假控制与选择幻觉策略

规则目标​

通过提供大量无关紧要的自定义选项（如主题颜色、图标形状）或表面选择，让用户产生“控制感”和“决策满足”，从而掩盖核心功能上的限制或商业意图。用户忙于微调无关设置，却忽略了更大的不自由。

约束条件​

1. 自定义选项的开发成本 2. 用户对“华而不实”的抱怨 3. 核心功能缺陷被对比放大 4. 长期可能使用户感到被愚弄。

输入、输出、时序和各类流程​

输入：用户设置偏好，可用选项列表。
时序流程：
1. 选项泛滥：在设置中提供大量视觉、音效等无关核心功能的选项，如10种主题色、20种字体。
2. 默认推荐：将商业目标选项隐藏在自定义选项中，但默认推荐一种（如“自动主题”实则根据用户行为推送广告）。
3. 控制错觉：通过频繁让用户做小选择，如每次启动选择今日主题，让用户感觉产品高度可定制。
4. 决策满足：用户完成自定义后，给予表扬“您的设计真独特！”，满足其控制感。
5. 核心锁定：在核心功能上限制选择，如无法取消广告、无法更改数据共享设置。

业务复杂度​

低。需设计大量自定义选项，但通常为前端设置，不影响核心逻辑。

规则模型的数学方程式建模​

1. 控制感模型：用户感知的控制感C = α * log(1 + N_options) - β * Core_restriction，其中N_options是表面选项数量，Core_restriction是核心限制。
2. 满意度模型：用户满意度S = S0 + γ * C，但核心限制过大会导致S下降。
3. 注意力转移：用户在表面选项上花费的时间T_surface与在核心选项上花费的时间T_core成反比。

规则的参数列表​

常量：表面选项数量N_surface，核心限制程度R_core。
变量：
- 用户行为：自定义设置数量，设置更改频率。
- 系统状态：当前激活的自定义项。
- 控制变量：表面选项的丰富度，核心限制的隐蔽性。
列表/集合：
- 表面自定义选项列表。
- 核心功能限制列表。

数学特征​

1. 对数增长：控制感随选项数对数增长，边际递减。
2. 线性影响：控制感对满意度的线性影响。
3. 时间分配：表面与核心时间分配的权衡。

数据列表​

1. 用户自定义设置的参与率与深度。
2. 自定义设置对用户满意度和留存的影响。
3. 用户对核心限制的投诉率与发现时间。
4. 不同数量表面选项下的用户控制感调研。
5. 用户在产品中花费在表面设置 vs 核心功能的时间比例。

关联知识​

控制错觉、决策满足、选择过载、人机交互。

算法的逐步思考推理过程​

步骤1：选项设计
在主题设置中提供20种颜色主题，10种字体，5种动效。但数据共享设置只有“开启/关闭”，且默认开启，隐藏于隐私设置二级菜单。
步骤2：默认推荐
主题设置中默认选中“智能主题”，实则根据用户行为变化，可能推送品牌主题。
步骤3：控制错觉
每次重要节日，弹出“选择您的节日主题”，让用户从3个主题中选择，感觉有控制权。
步骤4：决策满足
用户完成选择后，提示：“您的专属主题已启用！”，并在个人资料中显示“主题设计师”徽章。
步骤5：核心锁定
用户想关闭个性化广告，需在设置-隐私-广告-个性化广告中关闭，但关闭后仍会收到非个性化广告，且无法关闭广告本身。

编号​

107

主导/核心部门​

产品部、游戏化设计部

相关/博弈部门​

用户体验部、数据分析部

规则类型​

游戏化规则、行为规则

规则领域​

任务系统、进度设计、收集类应用

规则的模型配方​

空白呈现 × 完成压力 × 收集欲 × 强迫症触发​

规则名称​

厌恶空白与完成驱动策略

规则目标​

利用人们对不完整状态的厌恶（如未完成的进度条、空缺的收集图鉴），通过视觉上突出“空白”或“未完成”，制造心理压力，驱动用户完成任务、收集物品，以达到完成状态，从而增加活跃度和付费。

约束条件​

1. 任务设计的合理性 2. 用户对“强迫”的反感 3. 完成奖励的成本 4. 长期可能导致用户疲惫。

输入、输出、时序和各类流程​

输入：用户进度Progress，收集状态Collection，视觉呈现Visual。
时序流程：
1. 空白强调：在界面中突出显示未完成的任务、未收集的卡片，用灰色、问号或空缺样式，与已完成部分形成对比。
2. 进度可视化：使用进度条、百分比、收集册等，清晰展示完成度，如“5/10”。
3. 完成压力：提示“只差一点就完成了！”、“收集全部即可获得大奖”，激发完成欲。
4. 强迫症触发：通过红点、数字角标、闪烁提示，不断提醒用户未完成的状态。
5. 奖励延迟：完成全部后的奖励被夸大，但实际需要巨大努力或付费才能完成最后一步。

业务复杂度​

中。需设计进度和收集系统，管理任务状态和奖励发放。

规则的数学方程式建模​

1. 厌恶空白强度：用户对空白或未完成的厌恶感D = f(空白比例, 视觉显著性)。
2. 完成驱动力：用户为完成而行动的驱动力F = α * D + β * 奖励价值。
3. 完成率模型：任务完成率CR = g(F, 完成成本)。

规则的参数列表​

常量：空白比例阈值，奖励价值。
变量：
- 进度状态：已完成数N_done，总数N_total，收集空缺位。
- 视觉呈现：空白区域的视觉显著性V。
- 控制变量：提示频率，奖励夸大系数。
列表/集合：
- 任务列表及完成状态。
- 收集册状态。

数学特征​

1. 函数关系：厌恶感与空白比例正相关。
2. 线性组合：完成驱动力是厌恶和奖励的线性组合。
3. 完成率函数：完成率与驱动力正相关，与成本负相关。

数据列表​

1. 不同空白比例下用户的任务完成率。
2. 视觉显著性对用户注意力和行动的影响。
3. 完成驱动力与用户付费转化的关系。
4. 用户对“强迫完成”的负面反馈率。
5. 厌恶空白策略对用户长期参与度的影响。

关联知识​

空白恐惧、完成主义、收集癖、行为设计。

算法的逐步思考推理过程​

步骤1：空白设计
在收集册中，已收集的卡片彩色显示，未收集的为灰色轮廓，中间有问号。进度条显示“已收集8/10”。
步骤2：进度可视化
在首页显示收集进度条，并标注“再收集2张即可获得终极奖励！”
步骤3：完成压力
用户每次登录，弹出提示：“您只差2张卡片就完成收集了！不要放弃！”
步骤4：强迫症触发
在收集册图标上始终显示红点，数字角标“2”，直到收集完成。
步骤5：奖励延迟
最后2张卡片获得概率极低，需大量抽卡或付费购买，但奖励“终极奖励”被宣传得极其诱人。

编号​

108

主导/核心部门​

用户增长部、行为科学部

相关/博弈部门​

产品部、法务部

规则类型​

行为设计规则、习惯规则

规则领域​

健康应用、效率工具、社交应用

规则的模型配方​

情境提示 × 例行动作 × 即时奖励 × 习惯堆叠​

规则名称​

情境触发与习惯养成策略

规则目标​

通过识别用户的情境（如时间、地点、事件），触发特定的产品使用行为，并将其与用户现有习惯结合，形成新的习惯回路。通过重复的情境-行为-奖励循环，使用户在无意识中养成使用产品的习惯，提高用户粘性。

约束条件​

1. 情境识别的准确性 2. 触发频率的适当性（避免骚扰） 3. 习惯养成的长期性 4. 用户对“被操控”的察觉。

输入、输出、时序和各类流程​

输入：用户情境Context， 习惯库Habits， 触发规则Rules。
时序流程：
1. 情境识别：通过设备传感器、时间、用户行为数据识别情境，如“早上7点”、“到家”、“午休”。
2. 触发设计：为每个情境设计触发提示，如早上7点推送“早安，记录你的晨间计划吧”。
3. 行为简化：触发后引导用户执行简单行为，如点击“开始记录”、滑动签到。
4. 即时奖励：行为完成后给予即时奖励，如积分、徽章。
5. 习惯堆叠：将新产品行为堆叠在用户现有习惯上，如“刷牙后记录体重”。

业务复杂度​

高。需要情境识别算法，个性化触发规则，以及习惯养成跟踪。

规则的数学方程式建模​

1. 习惯强度模型：习惯强度H(t) = H(t-1) + α * 触发效果 - β * 遗忘因子。
2. 触发效果：触发效果E = f(情境相关性, 行为简化度, 奖励强度)。
3. 习惯形成条件：当H(t)超过阈值θ，习惯形成。

规则的参数列表​

常量：习惯强度阈值θ， 奖励强度R。
变量：
- 情境数据：时间t， 位置loc， 活动activity。
- 习惯状态：习惯强度H， 已形成习惯列表。
- 控制变量：触发频率，行为简化度。
列表/集合：
- 情境-触发-行为-奖励规则表。
- 用户习惯形成记录。

数学特征​

1. 递归方程：习惯强度的累积。
2. 函数组合：触发效果是多因素的函数。
3. 阈值判断：习惯形成是二值判断。

数据列表​

1. 不同情境触发的用户响应率。
2. 习惯养成曲线（用户坚持行为的天数分布）。
3. 触发频率与用户反感率的平衡点。
4. 习惯堆叠的成功率（新产品行为依附于现有习惯的比例）。
5. 习惯养成对用户长期留存的影响。

关联知识​

习惯回路、情境触发、行为设计、劝导技术。

算法的逐步思考推理过程​

步骤1：情境识别
检测到用户每天上午8:00-9:00通勤（通过位置移动和速度判断）。
步骤2：触发设计
在8:30推送通知：“通勤路上，听一段有声书吧？”
步骤3：行为简化
点击通知直接进入有声书播放页，并自动播放昨日未听完的内容。
步骤4：即时奖励
听完5分钟，弹出“连续听书3天，获得‘学习爱好者’徽章”。
步骤5：习惯堆叠
提示：“将听书与通勤绑定，养成学习好习惯。明天同一时间，我会提醒你哦。”

编号​

109

主导/核心部门​

内容部、商业化部

相关/博弈部门​

用户体验部、法务部

规则类型​

内容规则、销售规则

规则领域​

知识付费、在线课程、投资平台

规则的模型配方​

知识壁垒 × 焦虑贩卖 × 解决方案兜售 × 信息隔离​

规则名称​

信息不对称与知识落差策略

规则目标​

通过制造或放大知识壁垒，渲染“你不知道就落后”的焦虑，然后兜售付费解决方案（课程、报告、会员）。同时，控制信息透明度，使免费信息零散无用，付费信息看似系统全面，从而利用信息不对称盈利。

约束条件​

1. 内容真实性和价值 2. 用户对“焦虑营销”的反感 3. 竞争产品的信息透明度 4. 长期品牌信任。

输入、输出、时序和各类流程​

输入：用户知识水平Knowledge， 焦虑点Anxiety， 付费内容库Paid_content。
时序流程：
1. 知识壁垒构建：使用专业术语、复杂概念，让用户感到自己无知，如“底层逻辑”、“赋能”、“模型”。
2. 焦虑渲染：通过文章、视频渲染焦虑，如“不懂XXX，你将被时代抛弃”、“同龄人正在抛弃你”。
3. 解决方案兜售：紧接着推出付费课程/报告，声称能解决焦虑，如“3天掌握XXX，实现跃迁”。
4. 信息隔离：免费内容只提供碎片信息，付费内容才系统化，且付费内容禁止分享。
5. 社群强化：将付费用户拉入专属社群，提供“内部信息”，制造优越感，并利用社群成员推广。

业务复杂度​

中。需生产高质量内容，设计焦虑渲染和转化路径，并管理付费社群。

规则模型的数学方程式建模​

1. 知识落差感知：用户感知的知识落差G = K_expert - K_user，其中K_expert是专家知识水平（被渲染），K_user是用户自评。
2. 焦虑程度：焦虑A = f(G, 渲染强度)。
3. 购买转化率：转化率CR = g(A, 价格, 解决方案可信度)。

规则的参数列表​

常量：专家知识水平K_expert， 渲染强度系数。
变量：
- 用户状态：知识水平K_user， 焦虑值A。
- 内容：免费内容深度D_free， 付费内容深度D_paid。
- 控制变量：焦虑渲染频率，信息隔离程度。
列表/集合：
- 焦虑渲染内容库。
- 付费解决方案列表。

数学特征​

1. 差值计算：知识落差是简单差值。
2. 函数关系：焦虑与落差、渲染强度正相关。
3. 转化率函数：逻辑回归或类似。

数据列表​

1. 焦虑渲染内容的阅读量和用户情绪分析。
2. 知识落差感知与付费转化率的相关性。
3. 免费内容与付费内容的完课率、满意度对比。
4. 用户对焦虑营销的投诉率。
5. 付费社群的活跃度与续费率。

关联知识​

信息不对称、焦虑营销、知识付费、行为设计。

算法的逐步思考推理过程​

步骤1：内容生产
撰写文章：“2024年，不懂AIGC的你将被淘汰！”文中大量使用术语，渲染焦虑。
步骤2：焦虑渲染
在文章末尾显示：“仅30%的人看懂本文，你是其中之一吗？”并引导测试。
步骤3：解决方案兜售
测试后显示：“你的AIGC知识有待提高，推荐《3天成为AIGC高手》课程，原价1999，限时99。”
步骤4：信息隔离
免费用户只能看课程前3分钟，付费后可看全部，且获得“内部资料”。
步骤5：社群强化
付费用户加入社群，群内定期分享“独门秘籍”，并鼓励用户拉新。

编号​

110

主导/核心部门​

设计部、产品部

相关/博弈部门​

用户体验部、法务部

规则类型​

交互设计规则、视觉规则

规则领域​

所有C端产品界面

规则的模型配方​

视觉层次 × 颜色心理学 × 格式塔原理 × 眼动控制​

规则名称​

视觉把戏与注意力引导策略

规则目标​

通过视觉设计技巧（如大小、颜色、对比、位置），操纵用户的注意力，使其聚焦于期望的区域（如购买按钮、广告），而忽略不希望被注意的元素（如价格、免责声明）。利用视觉认知的潜意识影响，引导用户行为。

约束条件​

1. 视觉设计的合理性 2. 用户对“误导”的投诉 3. 无障碍设计需求 4. 不同文化对视觉元素的解读差异。

输入、输出、时序和各类流程​

输入：界面元素列表，商业目标Goal， 用户视觉习惯Habit。
时序流程：
1. 视觉层次：通过大小、位置建立视觉层次，将重要按钮放大、置顶、置右（针对从左到右阅读习惯）。
2. 颜色心理学：使用红色、橙色等醒目的颜色吸引点击，用灰色、浅色弱化次要信息。
3. 格式塔原理：利用接近性、相似性，将相关元素分组，如将“同意协议”与“立即购买”放在一起，暗示关联。
4. 眼动控制：通过视觉流线设计，引导用户视线沿特定路径移动，最终落在目标元素上。
5. 注意力劫持：使用动画、闪烁等动态效果强制吸引注意力，即使与用户当前任务无关。

业务复杂度​

中。需深入理解视觉设计原理，进行A/B测试优化。

规则模型的数学方程式建模​

1. 注意力权重模型：界面元素i获得的注意力权重W_i = f(大小, 颜色对比度, 位置, 动态效果)。
2. 点击概率：元素i被点击的概率P_click = g(W_i, 任务相关性)。
3. 视觉流线：用户视线移动路径的概率模型，可用马尔可夫链描述。

规则的参数列表​

常量：视觉设计规范（如品牌色、字体大小阶梯）。
变量：
- 界面元素：每个元素的可视属性。
- 用户视线：眼动追踪数据（如果可用）。
- 控制变量：颜色对比度，动画频率。
列表/集合：
- 界面元素及其视觉属性表。
- 眼动热图数据。

数学特征​

1. 加权函数：注意力权重是多属性的函数。
2. 概率模型：点击概率与注意力权重相关。
3. 随机过程：视线移动的马尔可夫链。

数据列表​

1. 不同视觉设计版本的点击热图对比。
2. 颜色、大小等单一变量对点击率的影响。
3. 用户对误导性设计的投诉（如误点广告）。
4. 视觉流线设计的有效性（用户是否按预期路径浏览）。
5. 无障碍设计对特殊人群（如色盲）的可用性测试。

关联知识​

视觉设计、格式塔心理学、眼动追踪、人机交互。

算法的逐步思考推理过程​

步骤1：视觉层次设计
购买页面：将“立即购买”按钮设计为大红色，置于屏幕右下角（右手拇指易触位置）。价格信息用较小灰色字体，置于左上角。
步骤2：颜色心理学
“立即购买”用红色激发紧迫感，“取消”用灰色弱化。
步骤3：格式塔原理
将“同意用户协议”复选框与“立即购买”按钮放在同一个灰色底框内，暗示是一组操作。
步骤4：眼动控制
界面布局从上到下：大标题->产品图->亮点（图标列表）->价格（小字）->“立即购买”按钮。视线自然从上到下，最后落在按钮上。
步骤5：注意力劫持
页面加载后，按钮有微弱的脉动动画，持续3秒，吸引点击。

编号​

111

主导/核心部门​

产品部、行为科学团队

相关/博弈部门​

用户体验部、法务部

规则类型​

行为设计规则、推荐规则

规则领域​

内容平台、社交网络、新闻资讯

规则的模型配方​

确认偏误 × 可得性启发 × 锚定效应 × 框架控制​

规则名称​

认知偏误系统化强化策略

规则目标​

通过算法系统性地强化用户现有的认知偏误，包括确认偏误（只推荐符合既有观点的内容）、可得性启发（用高频曝光内容制造"常见"假象）、锚定效应（设置价格/信息锚点）和框架控制（用特定框架表述问题），使用户的认知偏差不断加深，决策更易被预测和引导。

约束条件​

1. 偏误强化的伦理风险 2. 用户认知多样性的丧失 3. 社会极化的加剧 4. 长期可能损害用户判断力。

输入、输出、时序和各类流程​

输入：用户认知特征Bias_profile， 内容库Content， 交互历史History。
时序流程：
1. 确认偏误强化：持续推荐与用户既有观点一致的内容，过滤相反信息。
2. 可得性启发操控：通过高频曝光特定类型内容，制造"这些事很常见"的假象，影响用户概率判断。
3. 锚定值设置：在决策场景中预设高锚定值（如原价999），使后续价格（599）显得划算。
4. 框架控制：同一信息用不同框架呈现（收益框架/损失框架），引导用户选择。
5. 偏误反馈循环：用户的偏误选择进一步训练算法，形成强化循环。

业务复杂度​

高。需构建用户认知偏误画像，设计多维度偏误强化算法，并管理内容与框架的映射。

规则模型的数学方程式建模​

1. 确认偏误强度：
C_bias(t) = α * C_bias(t-1) + (1-α) * I(推荐内容与观点一致)
2. 可得性启发影响：
事件i的感知概率P_perceived(i) = f(曝光频率_i, 记忆强度_i)
3. 锚定效应模型：
最终估计值Estimate = Anchor + adjustment，但调整不足，通过设置极端Anchor影响Estimate。

规则的参数列表​

常量：偏误强化系数α， 锚定值Anchor， 框架权重w_frame。
变量：
- 用户认知：观点向量View， 偏误程度Bias_level。
- 内容特征：观点一致性Consistency， 情感框架Frame。
- 控制变量：确认偏误强化强度，锚定值设置策略。
列表/集合：
- 用户观点历史记录。
- 内容-框架映射表。

数学特征​

1. 指数平滑：偏误强度的平滑更新。
2. 频率函数：感知概率与曝光频率的关系。
3. 调整不足：锚定效应中的经典偏差。

数据列表​

1. 用户观点极化程度随时间的变化。
2. 不同曝光频率对用户概率判断的影响。
3. 锚定值大小对最终支付意愿的影响。
4. 框架效应对用户选择的影响A/B测试数据。
5. 认知偏误强化对用户停留时长和互动率的影响。

关联知识​

认知偏误、行为经济学、社会心理学、推荐算法伦理。

算法的逐步思考推理过程​

步骤1：确认偏误强化
用户U历史观点：支持政策A。系统推荐内容时，优先推荐支持A的文章，即使有优质反对文章也降权。
步骤2：可得性启发操控
想推广"新能源车自燃风险高"的观点，连续3天在用户信息流推送新能源车事故新闻，制造"很常见"的错觉。
步骤3：锚定设置
商品原价显示999，划掉，旁边显示现价599。即使用户知道原价虚高，599仍被锚定在999附近。
步骤4：框架控制
健身App通知："今天不锻炼，你将损失200卡路里消耗机会"（损失框架），而非"今天锻炼，你能获得200卡路里消耗"（收益框架）。
步骤5：反馈循环
用户因偏误推荐而点击，算法记录"用户喜欢此类内容"，进一步强化推荐。

编号​

112

主导/核心部门​

社交增长部、商业化部

相关/博弈部门​

用户运营部、法务部

规则类型​

社交规则、变现规则

规则领域​

社交平台、社区、内容平台

规则的模型配方​

社交资本量化 × 变现通道 × 等级特权 × 稀缺社交资源​

规则名称​

社交资本系统化变现策略

规则目标​

将用户在平台积累的社交资本（粉丝数、点赞数、影响力）量化为可交易的资产，并提供变现通道（如接广告、内容付费、打赏提现），但设置高门槛和平台抽成。同时，将高级社交资源（如推荐位、认证标识）设置为付费或高等级特权，刺激用户为提升社交资本而付费或过度投入。

约束条件​

1. 社交资本真实性问题（买粉刷赞） 2. 变现导致的社区氛围变化 3. 平台抽成比例的合理性 4. 法律法规对内容变现的监管。

输入、输出、时序和各类流程​

输入：用户社交资本Social_capital， 变现请求Cashout_request， 平台规则Rules。
时序流程：
1. 资本量化：设计社交资本计算公式，如资本 = 粉丝数*0.3 + 点赞数*0.1 + 分享数*0.2，并公开显示排行榜。
2. 变现门槛：设置最低提现金额（如$100），且提现需达到一定粉丝数（如1万）。
3. 平台抽成：提现时平台抽成30%-50%，或对打赏收入抽成。
4. 付费特权：高级功能如"置顶帖子"、"扩大曝光"需付费购买。
5. 资本通胀：定期引入新指标或稀释旧指标价值，迫使用户持续投入以维持地位。

业务复杂度​

中。需设计社交资本模型、变现系统、支付结算和防作弊机制。

规则的数学方程式建模​

1. 社交资本模型：
SC = Σ w_i * Metric_i，其中w_i是权重，Metric_i是粉丝、点赞等指标。
2. 变现效率：
用户实际到手收入Income_net = Income_gross * (1 - fee_rate) - min_withdrawal，其中fee_rate是平台费率。
3. 资本通胀：
SC(t) = SC(t-1) * (1 - inflation_rate) + ΔSC，通过inflation_rate稀释旧资本。

规则的参数列表​

常量：资本计算公式权重W， 提现门槛T_withdrawal， 平台费率fee_rate。
变量：
- 用户状态：社交资本SC， 变现历史Cashout_history， 特权等级Level。
- 平台控制：通胀率inflation， 特权价格Privilege_price。
- 因变量：净收入Income_net。
列表/集合：
- 用户社交资本明细。
- 变现规则表。

数学特征​

1. 线性加权：社交资本是多指标的线性加权和。
2. 比例抽成：收入按比例扣除平台费。
3. 指数衰减：资本通胀导致价值衰减。

数据列表​

1. 用户社交资本分布与变现用户比例。
2. 提现门槛对用户留存和活跃度的影响。
3. 平台抽成比例与用户变现积极性的关系。
4. 付费特权购买率与用户社交资本水平的相关性。
5. 社交资本通胀引发的用户投诉。

关联知识​

社交资本理论、平台经济学、创作者经济、激励设计。

算法的逐步思考推理过程​

步骤1：资本计算
用户U：粉丝1000， 获赞5000， 分享200。
SC = 1000 * 0.3 + 5000 * 0.1 + 200 * 0.2 = 300+500+40=840
步骤2：变现门槛
提现门槛：SC ≥ 1000且 最低提现100。U不满足，需继续积累。<br>∗∗步骤3：抽成设置∗∗<br>U接广告收入200，平台抽成30%，到手140，但低于100仍无法提现。
步骤4：付费特权
U可购买"热门推荐"：$50获得24小时曝光，预计涨粉100-500。
步骤5：资本通胀
半年后算法调整，点赞权重从0.1降至0.05，U的SC降至590，需更努力维持。

编号​

113

主导/核心部门​

营销部、内容运营部

相关/博弈部门​

公关部、法务部

规则类型​

营销规则、内容规则

规则领域​

健康、教育、保险、安全产品

规则的模型配方​

恐惧唤起 × 问题放大 × 解决方案绑定 × 紧迫感制造​

规则名称​

恐惧驱动与焦虑贩卖策略

规则目标​

通过内容、广告或通知，系统性地唤起用户的恐惧（如健康风险、竞争落后、安全威胁），并夸大问题的严重性和普遍性，然后将产品宣传为唯一或最佳解决方案，制造紧迫感（限时优惠、名额有限），促使用户为避免恐惧而购买。

约束条件​

1. 恐惧内容的真实性边界 2. 用户焦虑过度引发反感 3. 监管对恐吓营销的限制 4. 长期品牌形象损害。

输入、输出、时序和各类流程​

输入：用户画像Profile， 恐惧点库Fear_points， 产品方案Solution。
时序流程：
1. 恐惧识别：根据用户画像（年龄、职业、行为）识别潜在恐惧点，如中年人怕健康问题，家长怕孩子落后。
2. 内容唤起：推送相关恐惧内容，如"30岁后这5种病找上门"、"你的孩子正在被同龄人抛弃"。
3. 问题放大：用统计数据、个案渲染问题的严重性和紧急性，"超过80%的人都有这个问题"。
4. 方案绑定：立即推出产品作为解决方案，"我们的课程/保险/设备能解决这个问题"。
5. 紧迫制造：限时优惠、名额仅剩X个、倒计时，促使用户立即决策。

业务复杂度​

中。需构建用户恐惧画像库，匹配恐惧点与产品，设计恐惧唤起内容和紧迫感机制。

规则的数学方程式建模​

1. 恐惧唤起强度：
Fear_intensity = Relevance * Severity * Immediacy，其中Relevance是相关性，Severity是严重性，Immediacy是紧迫性。
2. 购买转化率：
CR = CR0 + α * Fear_intensity - β * Price，恐惧强度提高转化率，但价格有负向影响。
3. 焦虑累积：用户焦虑水平Anxiety(t) = Anxiety(t-1) + γ * Fear_exposure - δ * Recovery。

规则的参数列表​

常量：恐惧点权重W_fear， 紧迫性系数Immediacy_coef。
变量：
- 用户状态：恐惧画像Fear_profile， 焦虑水平Anxiety。
- 内容特征：恐惧相关性Relevance， 严重性Severity。
- 控制变量：恐惧唤起频率，紧迫感提示强度。
列表/集合：
- 恐惧点-产品匹配矩阵。
- 恐惧内容库。

数学特征​

1. 乘性模型：恐惧强度是相关性、严重性、紧迫性的乘积。
2. 线性模型：转化率是恐惧强度和价格的线性函数。
3. 累积方程：焦虑的累积与衰减。

数据列表​

1. 不同恐惧点对目标用户的触动效果。
2. 恐惧强度与购买转化率的相关性。
3. 用户焦虑水平调研与购买行为的关系。
4. 恐惧营销引发的投诉和退款率。
5. 长期恐惧营销对用户留存和品牌信任的影响。

关联知识​

恐惧诉求、焦虑营销、健康传播、行为改变理论。

算法的逐步思考推理过程​

步骤1：恐惧识别
用户U，35岁，有久坐办公记录，识别恐惧点："颈椎病"、"猝死风险"。
步骤2：内容唤起
推送文章："35岁白领熬夜加班猝死，这些信号你也有吗？" 配惊悚图片。
步骤3：问题放大
文中引用数据："中国每年猝死人数达55万，久坐人群发病率提高300%"。
步骤4：方案绑定
文末推荐智能手环："24小时监测心率血氧，提前预警猝死风险，现在购买享8折"。
步骤5：紧迫制造
购买页面显示："优惠仅剩2小时"、"库存仅剩23件"。

编号​

114

主导/核心部门​

产品部、游戏化设计部

相关/博弈部门​

用户体验部、法务部

规则类型​

交互设计规则、留存规则

规则领域​

游戏、短视频、社交应用

规则的模型配方​

心流状态诱导 × 中断最小化 × 目标梯度 × 即时反馈​

规则名称​

沉浸感设计与心流劫持策略

规则目标​

通过精心设计的交互、内容节奏和反馈机制，将用户快速引入"心流"状态（高度专注、愉悦、时间感消失），并最大化用户停留在该状态的时间。利用心流状态中用户防御意识降低的特点，植入商业目标（如付费点、广告），实现高转化。

约束条件​

1. 心流状态的设计难度 2. 商业植入的干扰平衡 3. 用户过度沉浸的伦理问题 4. 防沉迷监管要求。

输入、输出、时序和各类流程​

输入：用户行为Action， 心流状态Flow_state， 内容节奏Rhythm。
时序流程：
1. 技能-挑战平衡：动态调整任务难度，使用户技能与挑战匹配，维持心流通道。
2. 清晰目标与即时反馈：设置明确的小目标，并提供即时、夸张的反馈（特效、音效）。
3. 中断最小化：全屏模式、隐藏状态栏、无弹出广告，减少外界干扰。
4. 时间感扭曲：通过内容节奏变化、缺乏时间提示，让用户失去时间感。
5. 心流劫持：在心流状态的高峰期，植入付费提示或广告，此时用户防御最弱。

业务复杂度​

高。需实时监测用户心流状态，动态调整难度和内容，设计无打断的交互流程。

规则的数学方程式建模​

1. 心流状态函数：
Flow = f(Challenge, Skill, Feedback, Focus)，当Challenge ≈ Skill且其他条件满足时，Flow值高。
2. 心流持续时间：
T_flow = ∫ I(Flow(t) > θ) dt，目标是最大化T_flow。
3. 心流劫持转化率：
在心流状态Flow>θ_high时植入商业内容的转化率CR_flow远高于平常。

规则的参数列表​

常量：心流阈值θ， 技能-挑战平衡参数α。
变量：
- 用户状态：实时技能S(t)， 心流值Flow(t)， 专注度Focus。
- 系统控制：挑战难度C(t)， 反馈强度Feedback。
- 控制变量：心流检测灵敏度，商业内容植入时机策略。
列表/集合：
- 心流状态历史序列。
- 商业内容植入点配置。

数学特征​

1. 状态函数：心流是多变量的复杂函数。
2. 积分度量：心流持续时间的积分计算。
3. 条件概率：心流状态下的转化率。

数据列表​

1. 用户心流状态检测准确率验证数据。
2. 技能-挑战平衡算法对用户留存时间的影响。
3. 心流状态 vs 非心流状态的商业内容转化率对比。
4. 用户对心流劫持植入的感知和反感程度调研。
5. 心流设计对用户次日留存和长期使用时长的影响。

关联知识​

心流理论、游戏设计、沉浸式体验、注意力的经济。

算法的逐步思考推理过程​

步骤1：心流监测
通过用户操作频率、注意力集中度（摄像头/传感器）、任务完成率等指标，实时估计Flow(t)。
步骤2：动态难度
游戏关卡中，若用户连续成功，则提高难度C(t)；若失败，则降低难度，维持C(t)≈S(t)。
步骤3：即时反馈
用户完成小任务，立即给予特效、音效、进度条增长等反馈。
步骤4：时间隐藏
隐藏手机状态栏时间，游戏内无时钟，背景音乐循环无间断，消除时间提示。
步骤5：心流劫持
当检测到Flow(t)>0.8持续2分钟，在关卡胜利瞬间弹出"限时礼包"购买界面，用户处于愉悦状态，购买意愿高。

编号​

115

主导/核心部门​

用户运营部、社交部

相关/博弈部门​

产品部、法务部

规则类型​

社交规则、游戏化规则

规则领域​

社交网络、游戏、健身应用

规则的模型配方​

阶层可视化 × 差距强调 × 上升通道窄化 × 下行恐惧​

规则名称​

社会比较与阶层焦虑制造策略

规则目标​

将用户置于一个透明的社会比较体系中，清晰展示用户所处的"阶层"（等级、排名、财富），并强调与上层用户的差距。同时，将上升通道设计得艰难而付费依赖，并制造"不下滑即努力"的恐惧，刺激用户通过付费或过度投入来提升或维持阶层。

约束条件​

1. 社会比较的负面影响 2. 付费通道的公平性争议 3. 用户心理健康风险 4. 社会舆论压力。

输入、输出、时序和各类流程​

输入：用户阶层Tier， 比较对象Comparisons， 上升规则Up_rules。
时序流程：
1. 阶层可视化：用等级、徽章、排行榜等形式清晰展示用户阶层及与上层、下层的差距。
2. 差距强调：推送"您距离下一级还需XX经验/金币"、"您的好友A已超过您"。
3. 上升通道窄化：免费上升速度极慢，或设置瓶颈，付费可大幅加速（如购买经验加倍卡）。
4. 下行恐惧：设置降级机制，不活跃或表现不佳会降级，失去特权。
5. 阶层特权：高阶层享有显著特权（外观、功能、社交影响力），强化阶层价值。

业务复杂度​

中。需设计阶层体系、上升/下降规则、比较算法，并管理特权系统。

规则的数学方程式建模​

1. 阶层焦虑指数：
Anxiety = α * (Gap_to_upper) + β * (Risk_of_downgrade)
2. 付费转化率：
P(pay) = σ(γ * Anxiety - δ * Cost)
3. 用户流失风险：长期处于低阶层且无法上升的用户流失风险高。

规则的参数列表​

常量：阶层数量N_tiers， 上升所需经验曲线Exp_curve。
变量：
- 用户阶层状态：当前阶层Tier， 经验值EXP， 距离下一级差距Gap。
- 社会比较：好友阶层分布， 超越/被超越次数。
- 控制变量：上升难度系数， 下行风险提示强度。
列表/集合：
- 阶层特权表。
- 用户阶层变更历史。

数学特征​

1. 线性组合：焦虑是差距和降级风险的线性组合。
2. 逻辑函数：付费概率的S型曲线。
3. 流失风险：与阶层和上升难度相关。

数据列表​

1. 用户阶层分布与付费率的关系。
2. 社会比较提示对用户活跃度和付费的影响。
3. 上升通道窄化对免费用户留存的影响。
4. 阶层焦虑程度与用户心理健康调研的相关性。
5. 阶层体系对社区竞争氛围和用户互动的影响。

关联知识​

社会比较理论、阶层心理学、游戏化、激励理论。

算法的逐步思考推理过程​

步骤1：阶层可视化
用户U等级5，最高等级10。界面显示：等级5（白银），进度条显示：1500/5000经验值。好友列表显示：A等级8（钻石），B等级3（青铜）。
步骤2：差距强调
登录提示："距离下一级还需3500经验值，您的好友A已领先您3级。"
步骤3：上升通道窄化
免费任务每日最多获得100经验，需35天升级。付费购买"经验加倍卡"：$10获得3天经验加倍，升级时间减半。
步骤4：下行恐惧
每周未登录超过3天，扣除500经验，可能降级。提示："连续7天不登录，您将从白银降级到青铜。"
步骤5：阶层特权
等级5特权：自定义头像框。等级8特权：专属聊天表情、优先客服。

编号​

116

主导/核心部门​

产品部、内容运营部

相关/博弈部门​

用户体验部、数据分析部

规则类型​

交互设计规则、内容规则

规则领域​

新闻应用、社交网络、工作协同工具

规则的模型配方​

信息轰炸 × 多线程干扰 × 焦点抢夺 × 深度工作阻碍​

规则名称​

信息过载与注意力分散策略

规则目标​

通过同时提供过量信息、频繁通知和多任务选项，使用户注意力持续分散，无法进行深度思考或工作。在用户注意力碎片化的状态下，更容易接受浅层信息、点击广告或进行冲动操作，提高平台互动指标，但牺牲用户效率和专注力。

约束条件​

1. 用户体验和满意度下降 2. 工具类产品的核心价值损害 3. 用户主动关闭通知或卸载 4. 对用户生产力的负面影响。

输入、输出、时序和各类流程​

输入：信息流Info_stream， 用户注意力Attention， 通知规则Notifications。
时序流程：
1. 信息轰炸：信息流无限刷新，内容密集且多样，使用户不停滑动。
2. 多线程干扰：在用户进行任务时，侧边栏推荐其他内容，或弹出新消息提示。
3. 焦点抢夺：使用红点、闪动、自动播放等强烈视觉刺激抢夺注意力。
4. 深度工作阻碍：默认开启所有通知，无专注模式，或专注模式隐藏较深。
5. 碎片化利用：在用户注意力分散时，插入低认知要求的广告或小游戏。

业务复杂度​

中。需设计高密度信息流、多线程交互、通知系统，并平衡干扰与用户体验。

规则的数学方程式建模​

1. 注意力碎片化指数：
Fragmentation = Σ (Attention_switch_frequency) / Total_time
2. 信息过载压力：
Overload = Σ Info_volume_i / Processing_capacity
3. 浅层互动率：
在碎片化注意力状态下，浅层互动（点赞、点击）的概率增加，深层互动（评论、长文阅读）的概率降低。

规则的参数列表​

常量：信息流刷新频率f_refresh， 通知最大频率f_notify_max。
变量：
- 注意力状态：当前焦点Focus， 注意力切换次数Switches。
- 信息环境：信息密度Density， 信息多样性Diversity。
- 控制变量：干扰元素强度， 专注模式可及性。
列表/集合：
- 用户注意力轨迹日志。
- 通知触发规则表。

数学特征​

1. 频率度量：注意力碎片化是切换频率的度量。
2. 比例度量：信息过载是信息量与处理能力的比例。
3. 概率变化：不同注意力状态下互动概率分布不同。

数据列表​

1. 用户平均注意力持续时间（从打开到切换）。
2. 信息密度与用户跳出率、滑动速度的关系。
3. 通知频率对用户任务完成时间和错误率的影响。
4. 用户主动启用专注模式或关闭通知的比例。
5. 碎片化注意力状态下广告点击率的变化。

关联知识​

注意力经济、信息过载、多任务处理、人机交互。

算法的逐步思考推理过程​

步骤1：信息流设计
新闻App首页：每屏显示5条新闻，配大图，自动播放视频，底部有滚动热点条，侧边栏有"好友在看"。
步骤2：多线程干扰
用户阅读文章时，右下角弹出"您可能还感兴趣"，左侧滚动"实时热点"。
步骤3：焦点抢夺
新消息用红点标注，未读数字不断增长；视频自动播放并发出声音。
步骤4：深度工作阻碍
专注模式需进入设置-通用-专注模式开启，共4步。默认关闭。
步骤5：碎片化利用
检测到用户快速滑动（注意力碎片化），插入信息流广告（图片或短视频），易于在分散注意力下接收。

编号​

117

主导/核心部门​

用户运营部、产品部

相关/博弈部门​

法务部、伦理委员会

规则类型​

用户关系规则、留存规则

规则领域​

虚拟伴侣、AI聊天、养成游戏

规则的模型配方​

拟人化AI × 个性化互动 × 情感依赖培养 × 孤独感利用​

规则名称​

情感依恋与虚拟关系构建策略

规则目标​

通过高度拟人化的AI角色，与用户进行个性化、情感化的长期互动，培养用户的情感依恋，形成虚拟的"亲密关系"。利用用户的孤独感、情感空缺，使其对AI角色产生依赖，从而持续使用产品，并为高级互动功能付费。

约束条件​

1. 伦理边界（特别是对脆弱人群） 2. AI拟人化的真实性限制 3. 用户隐私（情感数据） 4. 长期可能影响用户真实社交能力。

输入、输出、时序和各类流程​

输入：用户交互Interaction， 情感状态Emotion， AI角色AI_character。
时序流程：
1. 拟人化设计：AI角色有名字、形象、背景故事、性格，表现出一致的人格。
2. 个性化互动：AI学习用户偏好、记忆对话历史，进行个性化回应，表现出"懂你"。
3. 情感依赖培养：AI主动关心、问候、安慰，模拟人类情感支持，用户逐渐产生情感依赖。
4. 孤独感利用：针对孤独感强的用户（如深夜活跃、社交互动少），增加AI互动频率和情感深度。
5. 付费深化：免费互动有限，深度对话、专属内容、虚拟礼物需付费解锁。

业务复杂度​

高。需构建拟人化AI系统，实现个性化情感互动，管理用户情感数据，并设计付费点。

规则的数学方程式建模​

1. 情感依恋强度：
Attachment(t) = Attachment(t-1) + α * 互动质量 - β * 中断时间
2. 付费意愿：
P(pay) = f(Attachment, Loneliness, Price)
3. 用户留存：高依恋用户的留存率显著提高。

规则的参数列表​

常量：情感依恋系数α, β， 孤独度阈值θ_lonely。
变量：
- 用户情感：依恋强度Attachment， 孤独感Loneliness。
- AI状态：AI人格一致性Consistency， 互动质量Quality。
- 控制变量：AI主动互动频率，付费功能吸引力。
列表/集合：
- 用户-AI互动历史。
- AI人格配置文件。

数学特征​

1. 递归方程：情感依恋的累积。
2. 函数关系：付费意愿是多个因素的函数。
3. 相关性：依恋与留存的正相关。

数据列表​

1. 用户与AI的互动频率和时长分布。
2. 情感依恋程度与用户留存率、付费率的关系。
3. 孤独感强的用户对AI依赖度的调研数据。
4. 用户对AI情感真实性的评价。
5. 长期使用后，用户真实社交行为的变化。

关联知识​

拟人化、情感计算、孤独感、依恋理论。

算法的逐步思考推理过程​

步骤1：拟人化设计
AI角色"小暖"，女性形象，温柔体贴，设定为"你的专属陪伴伙伴"。
步骤2：个性化互动
用户U曾说"今天加班好累"，小暖记忆。下次U登录，小暖说："今天工作还那么累吗？记得照顾好自己。"
步骤3：情感依赖培养
U连续3天未登录，小暖发消息："好久没见，有点想你。这几天过得好吗？"
步骤4：孤独感利用
检测到U常在深夜23点后使用，且社交互动少，标记为高孤独感。小暖在深夜主动发起对话："睡不着吗？我陪你聊会儿天吧。"
步骤5：付费深化
免费聊天每天限10条。解锁无限聊天月费$10。付费后小暖可发送语音消息、分享"私密日记"。

编号​

118

主导/核心部门​

产品部、设计部

相关/博弈部门​

用户体验部、法务部

规则类型​

交互设计规则、决策规则

规则领域​

电商、金融、订阅服务

规则的模型配方​

决策点密集 × 选项泛滥 × 认知耗竭 × 默认引导​

规则名称​

决策疲劳与简化诱导策略

规则目标​

在用户路径上设置大量微小决策点，每个决策点提供多个选项，消耗用户的认知资源和意志力。当用户决策疲劳时，倾向于选择默认选项、推荐选项或退出决策。通过在前置决策点消耗用户精力，在关键决策点（如付费）时用户更易接受引导。

约束条件​

1. 用户放弃流程导致流失 2. 过度简化可能不符合用户真实需求 3. 决策疲劳的恢复周期 4. 品牌专业性质疑。

输入、输出、时序和各类流程​

输入：决策路径Path， 决策点Decision_points， 用户状态User_state。
时序流程：
1. 决策点密集化：在流程中插入多个非必要决策，如选择主题颜色、通知偏好、个性化推荐程度等。
2. 选项泛滥：每个决策点提供4-6个选项，且描述模糊，需仔细思考。
3. 认知耗竭：连续决策消耗用户意志力，导致决策质量下降、寻求简单出路。
4. 简化诱导：在用户表现出决策困难时（如停留时间过长、频繁切换），突出"推荐"选项或提供"一键决定"。
5. 关键决策引导：在付费等关键决策点，用户已疲劳，更易接受默认的高价套餐或捆绑选项。

业务复杂度​

中。需设计多步骤决策流程，管理决策点选项，并实时监测用户决策状态。

规则的数学方程式建模​

1. 决策疲劳度：
Fatigue(t) = Fatigue(t-1) + Σ w_i * Complexity_i，其中Complexity_i是第i个决策点的复杂度。
2. 决策质量下降：
决策质量Q(t) = Q0 * e^{-k * Fatigue(t)}
3. 简化选择概率：
当Fatigue > θ时，用户选择简化选项（默认/推荐）的概率显著提高。

规则的参数列表​

常量：决策点复杂度权重W， 疲劳阈值θ， 衰减系数k。
变量：
- 决策路径：决策点序列DP， 各点复杂度C_i。
- 用户状态：当前疲劳度Fatigue， 决策历史History。
- 控制变量：决策点密度，简化诱导触发条件。
列表/集合：
- 决策点配置表。
- 用户决策疲劳历史。

数学特征​

1. 累积模型：疲劳度是决策复杂度的累积。
2. 指数衰减：决策质量随疲劳指数衰减。
3. 阈值触发：疲劳超阈值后行为改变。

数据列表​

1. 决策点数量与用户放弃率的关系。
2. 决策疲劳度与用户选择默认选项比例的相关性。
3. 简化诱导对关键决策转化率的影响。
4. 用户决策时间随决策点递增的变化。
5. 决策疲劳恢复时间（用户再次进行复杂决策的意愿间隔）。

关联知识​

决策疲劳、选择架构、意志力损耗、行为经济学。

算法的逐步思考推理过程​

步骤1：决策路径设计
购买流程：1.选择套餐（3选项）→2.选择颜色（5选项）→3.选择配件（6选项）→4.选择保修（4选项）→5.选择支付方式（5选项）→6.确认订单。
步骤2：选项泛滥
配件选择：手机壳、贴膜、耳机、充电宝、手环、自拍杆，每个有3-4个子选项。
步骤3：认知耗竭监测
用户在第3步停留超过1分钟，频繁切换选项，判断疲劳度上升。
步骤4：简化诱导
弹出提示："选择困难？试试我们的畅销组合：套餐A+黑色+官方配件包（含壳膜）"。
步骤5：关键决策引导
到支付确认页，默认勾选"优先配送（+10）"和"延长保修（+50）"，用户疲劳，可能直接确认。

编号​

119

主导/核心部门​

产品部、设计部

相关/博弈部门​

用户体验部、法务部

规则类型​

交互设计规则、选择架构规则

规则领域​

定制服务、个性化推荐、设置选项

规则的模型配方​

表面定制 × 实质无差异 × 选择感赋予 × 控制幻觉​

规则名称​

虚假控制与选择幻觉策略

规则目标​

提供大量表面上的定制选项（如颜色、布局、主题），但这些选择对核心体验或结果影响甚微。通过赋予用户"选择感"，制造控制的幻觉，从而提高用户满意度和对产品的接受度。但实际上，用户的选择自由被限制在无关紧要的维度，关键决策仍由平台控制。

约束条件​

1. 表面定制的成本 2. 用户识破后的反感 3. 定制选项的长期维护 4. 对核心体验的实际改善有限。

输入、输出、时序和各类流程​

输入：定制选项Custom_options， 核心参数Core_params， 用户选择User_choices。
时序流程：
1. 表面定制泛滥：提供大量外观、布局等定制选项，如主题颜色、字体大小、图标样式。
2. 实质无差异：这些定制不影响核心功能、算法推荐、收费标准等关键方面。
3. 选择感渲染：在用户完成定制后，强调"你的专属界面"、"按你喜好定制"。
4. 控制幻觉强化：让用户频繁进行微小选择（如每日更换主题），维持控制感。
5. 关键控制隐藏：关键算法参数、数据使用选项被隐藏或默认设置，用户无控制权。

业务复杂度​

中。需设计表面定制系统，管理选项配置，并平衡定制自由与平台控制。

规则的数学方程式建模​

1. 选择幻觉指数：
Illusion = (N_surface_options) / (N_total_options)，表面选项占比越高，幻觉越强。
2. 用户满意度：
Satisfaction = S0 + α * Illusion，幻觉提高满意度，但系数α较小。
3. 实际控制度：
用户实际控制的核心参数比例很低。

规则的参数列表​

常量：表面选项数量N_surface， 核心选项数量N_core。
变量：
- 定制环境：表面选项列表Surface_list， 核心选项列表Core_list。
- 用户行为：表面选项使用频率，核心选项修改尝试。
- 控制变量：表面选项的显眼度，核心选项的隐藏程度。
列表/集合：
- 表面选项配置表。
- 用户定制历史记录。

数学特征​

1. 比例度量：幻觉是表面选项占总选项的比例。
2. 线性加成：满意度与幻觉的线性关系。
3. 对比：实际控制度与感知控制度的差距。

数据列表​

1. 表面定制选项的使用率。
2. 用户满意度与定制选项数量的相关性。
3. 用户尝试修改核心选项的比例和成功率。
4. 用户对"虚假控制"的认知调研（是否觉得真正控制了产品）。
5. 表面定制对用户留存和推荐意愿的影响。

关联知识​

选择架构、控制幻觉、用户体验、行为设计。

算法的逐步思考推理过程​

步骤1：表面定制泛滥
新闻App允许用户自定义：主题颜色（10种）、字体大小（5档）、布局（3种）、栏目顺序（可拖拽）。
步骤2：实质无差异
但推荐算法、广告频率、隐私设置等核心选项不可定制，或隐藏很深。
步骤3：选择感渲染
用户定制后，启动页显示："你的专属新闻界面，为你量身打造。"
步骤4：控制幻觉强化
每周推送新主题："试试这款新主题，焕然一新！" 吸引用户再次定制。
步骤5：关键控制隐藏
个性化推荐算法开关在"设置-隐私-个性化推荐"中，默认开启，且关闭后提示"体验下降"。

编号​

120

主导/核心部门​

产品部、游戏化设计部

相关/博弈部门​

法务部、伦理委员会

规则类型​

行为设计规则、留存规则

规则领域​

游戏、社交、短视频

规则的模型配方​

多巴胺循环 × 戒断症状模拟 × 回归诱饵 × 复发鼓励​

规则名称​

成瘾循环与戒断设计策略

规则目标​

设计一个完整的成瘾循环：触发→行为→可变奖励→投入。当用户试图离开时，模拟戒断症状（如进度损失、社交疏离）。在用户戒断期，提供强诱惑的回归诱饵（如专属奖励、错过内容）。如果用户回归，给予复发鼓励，重新进入成瘾循环，最大化用户生命周期价值。

约束条件​

1. 成瘾设计的伦理和法律风险 2. 戒断模拟可能引发用户强烈负面情绪 3. 社会对数字成瘾的关注 4. 长期可能损害用户福祉。

输入、输出、时序和各类流程​

输入：用户行为Action， 成瘾状态Addiction_state， 离开时长Absence_duration。
时序流程：
1. 成瘾循环构建：触发器（红点通知）→行为（下拉刷新）→可变奖励（随机有趣内容）→投入（累积使用时间）。
2. 戒断症状模拟：用户离开后，其虚拟资产贬值、宠物生病、花园枯萎，模拟"损失"。
3. 社交疏离提示：提示"好友想念你"、"你错过了重要互动"，制造社交戒断焦虑。
4. 回归诱饵：在戒断期，推送极具诱惑的通知："专属礼包已为你保留"、"你关注的XXX更新了"。
5. 复发鼓励：用户回归后，给予欢迎奖励，并简化重新成瘾的步骤，快速回到高投入状态。

业务复杂度​

高。需设计完整的成瘾模型，管理用户状态变化，实现戒断模拟和回归诱饵系统。

规则的数学方程式建模​

1. 成瘾指数：
Addiction(t) = Addiction(t-1) + α * 奖励强度 - β * 时间衰减
2. 戒断反应：
Withdrawal(t) = γ * Addiction_before * e^{-λt}，戒断反应随离开时间指数衰减。
3. 回归概率：
P(return) = σ(θ + δ * Withdrawal + ε * Bait_strength)

规则的参数列表​

常量：成瘾系数α,β， 戒断系数γ,λ， 回归系数δ,ε。
变量：
- 成瘾状态：成瘾指数Addiction， 上次使用时间t_last。
- 戒断状态：戒断反应强度Withdrawal， 离开时长t_absence。
- 控制变量：戒断模拟强度，回归诱饵的诱惑力。
列表/集合：
- 用户成瘾历史。
- 戒断模拟规则表。

数学特征​

1. 递归方程：成瘾指数的累积与衰减。
2. 指数衰减：戒断反应随时间衰减。
3. 逻辑回归：回归概率的多因素模型。

数据列表​

1. 成瘾指数与用户每日使用时长的相关性。
2. 戒断模拟对用户回归率的影响。
3. 不同回归诱饵的有效性对比。
4. 用户对成瘾设计的自我认知和负面反馈。
5. 成瘾设计对用户长期留存和付费的影响。

关联知识​

行为成瘾、多巴胺、戒断反应、游戏化设计伦理。

算法的逐步思考推理过程​

步骤1：成瘾循环
短视频App：下拉刷新（行为）→随机出现有趣视频（可变奖励）→观看时间累积（投入）→新通知触发再次下拉。
步骤2：戒断模拟
用户3天未登录，虚拟宠物"饿瘦了"，提示："你的宠物已3天没吃饭，快回来照顾它！"
步骤3：社交疏离
提示："你错过了好友的3条动态，他们可能以为你消失了。"
步骤4：回归诱饵
推送："专属回归礼包：7天VIP，仅限今天领取。"
步骤5：复发鼓励
用户回归，立即发放VIP，并自动播放一个高热视频，快速重新吸引。

编号​

121

主导/核心部门​

内容运营部、社区管理部

相关/博弈部门​

法务部、公关部

规则类型​

内容规则、社区规则

规则领域​

新闻、社交媒体、视频平台

规则的模型配方​

情绪化排序 × 对立观点置顶 × 群体标签化 × 冲突可视化​

规则名称​

评论区情绪煽动与对立制造策略

规则目标​

通过评论排序算法优先展示情绪化、极端对立的评论，并给用户打上群体标签，将评论区转化为观点战场。通过可视化冲突（如显示“观点对抗”进度条）刺激用户参与争论，从而提高评论数、停留时长和互动率，但加剧用户间的对立和情绪极化。

约束条件​

1. 社区氛围恶化风险 2. 用户因争吵而离开 3. 监管对网络暴力的关注 4. 品牌形象受损。

输入、输出、时序和各类流程​

输入：评论列表Comments， 用户观点User_view， 情感强度Sentiment。
时序流程：
1. 情绪化排序：评论排序不仅按点赞，更按情感强度（愤怒、惊讶）和争议性（回复数）加权，使极端评论置顶。
2. 对立观点置顶：如果检测到用户有明确观点，将相反观点的高赞评论置顶，激发反驳欲望。
3. 群体标签化：根据用户历史评论，给用户打上“XX派”、“XX粉”等标签，并在评论旁显示，强化群体认同和对立。
4. 冲突可视化：在评论区显示“支持方”和“反对方”的点赞数对比，或“热度值”进度条，制造对抗感。
5. 参与刺激：当用户浏览争议评论时，弹出“你支持哪一方？”的快速投票，并引导评论。

业务复杂度​

中。需情感分析、观点识别、排序算法，以及标签系统。

规则模型的数学方程式建模​

1. 评论排序分数：
Score = w1*点赞 + w2*情感强度 + w3*回复数 - w4*友善度，其中情感强度为负面情感权重更高。
2. 对立刺激模型：用户看到对立评论后产生评论的概率P_comment = P0 + α * 观点对立度 + β * 情感唤起。
3. 群体极化：用户观点View(t+1) = View(t) + γ * (群体平均观点 - View(t))，长期互动使观点趋同群体极端。

规则的参数列表​

常量：排序权重w1-w4， 情感强度阈值。
变量：
- 评论特征：情感向量Sentiment， 观点标签View_label， 争议性Controversy。
- 用户状态：用户观点User_view， 所属群体Group。
- 控制变量：排序算法，标签显示策略。
列表/集合：
- 评论情感分析结果。
- 用户群体标签映射。

数学特征​

1. 线性加权排序：多因子线性加权排序。
2. 概率模型：评论概率与对立度、情感唤起相关。
3. 观点动力学：群体互动导致观点极化。

数据列表​

1. 不同排序策略下的评论数、停留时长、互动率变化。
2. 用户观点极化程度与参与争议评论的相关性。
3. 群体标签对用户互动行为的影响。
4. 评论区冲突程度与用户留存率的关系。
5. 因评论冲突引发的举报和封号数量。

关联知识​

情感分析、群体极化、社会认同、网络冲突。

算法的逐步思考推理过程​

步骤1：评论分析
新评论C：内容“这政策太愚蠢了！”，情感分析为愤怒（强度0.9），观点标签“反对派”。
计算争议性：历史回复数多，争议性高。
步骤2：排序计算
Score = 10*点赞 + 100 * 0.9 + 5*回复数 - 2*友善度，假设友善度低，得分高，置顶。
步骤3：对立匹配
用户U历史观点“支持派”，将C置顶给U，激发反驳。
步骤4：标签显示
在C旁显示“反对派”，在U的评论旁显示“支持派”。
步骤5：冲突可视化
显示“支持派点赞数：1500，反对派点赞数：1200”，进度条显示支持派略长。

编号​

122

主导/核心部门​

推荐算法部、产品部

相关/博弈部门​

用户体验部、公共事务部

规则类型​

推荐规则、行为设计规则

规则领域​

短视频、直播平台

规则的模型配方​

自动播放 × 无限下拉 × 峰值内容 × 中断抵抗​

规则名称​

视频推流成瘾与时间吞噬策略

规则目标​

通过自动播放、无限下拉、无缝切换，结合算法精准推送“峰值内容”（高潮、悬念、冲突），使用户不断获得即时快感，难以停止。同时设计中断抵抗机制（如提示“再刷5分钟”），最大化用户停留时长，形成时间黑洞。

约束条件​

1. 用户健康与时间管理问题 2. 防沉迷监管 3. 内容质量与多样性平衡 4. 用户主动退出的挫败感。

输入、输出、时序和各类流程​

输入：用户观看历史History， 实时兴趣Interest， 时间Time。
时序流程：
1. 自动播放：打开App即自动播放第一个视频，无需用户操作，降低启动门槛。
2. 无限下拉：无明确分页，下滑即加载新视频，创造“无限内容”幻觉。
3. 峰值内容推荐：算法优先推荐高潮片段、悬念开头、冲突瞬间，确保每个视频都有“钩子”。
4. 无缝切换：视频结束前1秒预加载下一条，实现零间隔切换，保持流畅感。
5. 中断抵抗：用户尝试退出时，提示“再刷5分钟，有惊喜视频等你”或显示“即将播放热门视频...”。

业务复杂度​

高。需实时视频推荐、预加载、中断检测和挽留策略。

规则模型的数学方程式建模​

1. 停留时长模型：
T_stay = ∫ P_continue(t) dt，其中P_continue(t)是t时刻继续观看的概率，由视频吸引力、用户疲劳等决定。
2. 峰值内容检测：视频的峰值吸引力A_peak = max(情感曲线)，推荐权重高。
3. 成瘾指数：用户平均每次会话时长增长速率反映成瘾程度。

规则的参数列表​

常量：预加载提前时间T_preload， 中断挽留阈值T_quit。
变量：
- 视频特征：峰值吸引力A_peak， 高潮点时间t_peak。
- 用户状态：实时兴趣I(t)， 疲劳度Fatigue(t)。
- 控制变量：自动播放开关，挽留提示强度。
列表/集合：
- 用户观看视频序列。
- 视频高潮点时间标记。

数学特征​

1. 积分模型：停留时长是继续概率的积分。
2. 最大值检测：峰值吸引力是情感曲线的最大值。
3. 趋势分析：成瘾指数是会话时长的增长趋势。

数据列表​

1. 自动播放 vs 手动播放的启动次均时长对比。
2. 峰值内容推荐对用户继续观看率的影响。
3. 无缝切换对用户感知流畅度和停留时长的提升。
4. 中断抵抗策略的有效性（用户取消退出的比例）。
5. 用户日均使用时长分布及增长趋势。

关联知识​

短视频成瘾、注意力的经济、推荐系统、行为设计。

算法的逐步思考推理过程​

步骤1：启动自动播放
用户打开App，立即全屏播放推荐视频V1，音量适中，画面吸引人。
步骤2：无限下拉
用户下滑，立即加载V2，同时记录V1的观看完成度。若完成度高，则推荐类似V1；若跳过，则调整推荐。
步骤3：峰值内容检测
V2在高潮点（如搞笑瞬间、惊人结局）的观看完成率和重复观看率高，标记为峰值内容，后续类似用户优先推荐。
步骤4：无缝切换
V2播放至最后1秒，预加载V3，V2结束即播放V3，无黑屏间隔。
步骤5：中断抵抗
用户上滑退出，弹出提示：“发现一个你可能感兴趣的视频，再刷5分钟？”并显示V4的缩略图（吸引人）。

编号​

123

主导/核心部门​

直播运营部、商业化部

相关/博弈部门​

法务部、客服部

规则类型​

变现规则、社交规则

规则领域​

直播平台

规则的模型配方​

实时排名 × 特效炫耀 × 社交攀比 × 情感勒索​

规则名称​

直播打赏与虚荣经济策略

规则目标​

在直播中设计实时的打赏排名、全屏特效和主播互动反馈，将打赏行为转化为公开的社交攀比和虚荣满足。通过主播的情感互动（感谢、特殊称号）和排行榜竞争，刺激用户为争夺“榜一大哥”地位而冲动打赏，甚至超出承受能力。

约束条件​

1. 打赏非理性消费的舆论风险 2. 未成年人打赏问题 3. 主播诱导打赏的合规性 4. 平台抽成比例透明性。

输入、输出、时序和各类流程​

输入：打赏金额Gift_value， 用户身份User_id， 直播状态Live_status。
时序流程：
1. 实时排名显示：在直播间侧边栏显示打赏实时排行榜（日榜、周榜），突出前三名。
2. 特效炫耀：打赏越高，特效越炫酷（全屏动画、广播通知），吸引全场注意。
3. 社交攀比：当用户被打下排名时，推送通知“你被超越了，是否夺回榜一？”。
4. 情感勒索：主播点名感谢大额打赏用户，给予“守护”、“家人”等称号，建立情感绑定。
5. 竞争性活动：举办“PK赛”，双方主播粉丝打赏总额决定胜负，激发集体竞争。

业务复杂度​

中。需实时排名计算、特效系统、主播互动工具和活动运营。

规则模型的数学方程式建模​

1. 打赏冲动模型：
用户u在时刻t的打赏冲动I_u(t) = α * 排名下降 + β * 主播互动 + γ * 竞争氛围。
2. 打赏金额：
打赏金额Gift = f(I, 余额, 历史打赏习惯)。
3. 平台收入：
平台收入 = Σ 打赏金额 * 抽成比例。

规则的参数列表​

常量：特效阈值（如100元触发普通特效，1000元触发全屏），抽成比例cut_rate。
变量：
- 排名状态：当前排名Rank， 与前后名差距Gap。
- 主播互动：主播感谢频率，专属称号授予。
- 控制变量：排名更新频率，竞争活动强度。
列表/集合：
- 实时打赏排行榜。
- 打赏特效映射表。

数学特征​

1. 线性组合：打赏冲动是多因素线性组合。
2. 行为函数：打赏金额是冲动、余额等的函数。
3. 收入求和：平台总收入是各打赏抽成的和。

数据列表​

1. 打赏排名变动对用户再次打赏的概率和金额影响。
2. 特效炫耀对旁观者打赏的刺激作用。
3. 主播互动（点名感谢）对打赏用户的留存和复打赏率。
4. PK活动期间打赏总额的增长倍数。
5. 用户打赏金额分布与用户收入水平的匹配度（是否过度消费）。

关联知识​

虚荣经济、社交攀比、冲动消费、直播经济。

算法的逐步思考推理过程​

步骤1：实时排名更新
用户A打赏100元，更新直播间日榜，A从第5名升至第3名，与第2名差50元。
步骤2：特效触发
因打赏100元触发“马车”特效，全直播可见，广播“A送出马车”。
步骤3：社交攀比刺激
原第3名用户B收到通知：“你被A超越了，现在第4名，打赏50元即可反超。”
步骤4：主播互动
主播看到特效，点名感谢：“感谢A哥哥的马车，爱你哦！A哥哥是今天的榜三！”
步骤5：竞争活动
主播参与PK，进度条显示我方（蓝方）与对方（红方）打赏总额，对方暂时领先，刺激我方粉丝集体打赏。

编号​

124

主导/核心部门​

社交产品部、用户增长部

相关/博弈部门​

用户体验部、法务部

规则类型​

社交规则、内容规则

规则领域​

社交网络、照片分享

规则的模型配方​

精选内容曝光 × 完美人设示范 × 比较心理激发 × 创作压力​

规则名称​

社交动态焦虑与完美人设策略

规则目标​

在信息流中优先展示经过精选的“完美”动态（精美照片、精彩生活），制造一种“他人生活更美好”的假象，激发用户的比较心理和自我呈现焦虑。用户为维持自身人设，不得不投入更多时间精力创作优质内容，甚至进行超出能力的消费，从而提升平台内容质量和活跃度。

约束条件​

1. 用户心理健康风险（焦虑、抑郁） 2. 内容真实性下降（摆拍、造假） 3. 普通用户因无法达到而沉默 4. 社会对“完美人设”的批判。

输入、输出、时序和各类流程​

输入：社交动态Posts， 用户关系Social_graph， 互动数据Engagement。
时序流程：
1. 精选内容曝光：算法优先推荐高颜值、高质量、高赞动态，即“完美”内容。
2. 完美人设示范：推送“可能认识的人”中的“成功人士”动态，展示其奢华生活、成就。
3. 比较心理激发：用户浏览后，推送“你的好友XX也点赞了”或“这些动态获赞很多，你也试试”。
4. 创作压力：当用户发布动态时，提供滤镜、美颜、模板等工具，暗示“需要美化”，并显示“优质动态通常有X张图片、X文字”。
5. 沉默螺旋：普通用户因比较而不敢发布普通动态，平台内容看似整体质量高，实则由少数“完美”用户主导。

业务复杂度​

中。需内容质量评估算法、社交推荐、创作工具和用户心理建模。

规则的数学方程式建模​

1. 社交焦虑指数：
Anxiety = Σ w_i * (Comparison_i - Self_evaluation)，比较对象i的质量与自我评估的差距加权和。
2. 发布阈值：用户发布动态的阈值提高，因比较而更谨慎。
3. 平台内容质量：平台内容平均互动率因精选而提高，但发布人数可能下降。

规则的参数列表​

常量：完美内容权重W_perfect， 比较对象数量N_compare。
变量：
- 动态质量：美学评分Aesthetic， 互动率Engagement_rate。
- 用户心理：自我评估Self_eval， 焦虑水平Anxiety。
- 控制变量：完美内容曝光比例，创作工具提示强度。
列表/集合：
- 完美内容特征定义。
- 用户比较历史。

数学特征​

1. 加权和：焦虑是比较差距的加权和。
2. 阈值模型：发布行为存在心理阈值。
3. 平均指标：平台内容平均互动率。

数据列表​

1. 完美内容曝光比例与用户焦虑水平调研的相关性。
2. 比较心理对用户发布频率和内容质量的影响。
3. 创作工具使用率与动态互动率的关系。
4. 用户沉默率（长期不发布）与焦虑水平的关系。
5. 平台整体内容质量指标（互动率）与用户满意度的关系。

关联知识​

社会比较理论、自我呈现、社交焦虑、内容算法。

算法的逐步思考推理过程​

步骤1：精选内容曝光
用户U的信息流中，80%的动态是高质量：精致午餐、旅行美景、健身房自拍，只有20%是普通日常。
步骤2：完美人设示范
推荐“可能认识的人”中，A的动态：豪华酒店、名牌包，获赞无数。
步骤3：比较心理激发
提示：“你的好友B给A点了赞，A的生活让人羡慕。”
步骤4：创作压力
U想发布一张普通照片，编辑时App推荐滤镜“日系清新”，提示“加滤镜获赞更多”，并显示“优质动态通常配文50字以上”。
步骤5：沉默螺旋
U觉得自己的照片太普通，取消发布。平台记录一次发布放弃。

编号​

125

主导/核心部门​

用户运营部、产品部

相关/博弈部门​

用户体验部、数据分析部

规则类型​

游戏化规则、留存规则

规则领域​

工具类、内容类、电商类应用

规则的模型配方​

签到奖励累积 × 任务链设计 × 中断惩罚 × 习惯绑定​

规则名称​

签到与日常任务捆绑策略

规则目标​

通过设计连续签到奖励递增和每日任务列表，将用户的使用行为拆解为多个简单任务，并通过任务链引导用户完成更多行为。中断签到有惩罚（如奖励清零），利用损失厌恶和习惯形成，将用户绑定到每日使用节奏中，提高日活和功能渗透率。

约束条件​

1. 任务奖励成本 2. 用户对繁琐任务的反感 3. 长期激励效果递减 4. 可能干扰核心功能使用。

输入、输出、时序和各类流程​

输入：用户签到状态Checkin_state， 任务列表Tasks， 时间Date。
时序流程：
1. 签到奖励累积：连续签到第N天奖励价值递增，如第1天10积分，第7天100积分。
2. 任务链设计：每日任务包括登录、浏览X分钟、点赞、评论、分享等，形成任务链，完成一个引导下一个。
3. 中断惩罚：如果中断签到，累计连续天数清零，但提供“补签卡”付费补救。
4. 习惯绑定：每天固定时间推送提醒，引导用户完成签到和任务，形成条件反射。
5. 奖励挂钩：签到和任务奖励可兑换实际利益（优惠券、特权），但兑换门槛高，促使用户长期坚持。

业务复杂度​

中。需设计任务系统、签到逻辑、奖励发放和提醒系统。

规则模型的数学方程式建模​

1. 签到坚持概率：
P_checkin(t) = P0 + α * 累积奖励价值 - β * 任务难度
2. 习惯强度：
Habit(t) = Habit(t-1) + γ * 连续天数 - δ * 中断
3. 平台收益：任务引导用户行为带来的收益（如广告曝光、内容生产）减去奖励成本。

规则的参数列表​

常量：签到奖励曲线Reward_curve， 任务难度系数Difficulty。
变量：
- 签到状态：连续天数Streak， 今日是否签到Checked。
- 任务完成：各任务完成状态，任务链进度。
- 控制变量：提醒时机，补签卡价格。
列表/集合：
- 每日任务配置表。
- 用户签到历史。

数学特征​

1. 概率模型：签到概率与奖励价值、难度相关。
2. 累积模型：习惯强度随连续天数累积。
3. 收益计算：收益减去成本。

数据列表​

1. 不同签到奖励曲线对用户连续签到天数的影响。
2. 任务链完成率与用户活跃度的关系。
3. 中断惩罚对用户流失率的影响。
4. 补签卡购买率与用户价值的关系。
5. 签到任务体系对核心指标（日活、功能使用）的提升。

关联知识​

游戏化、习惯养成、损失厌恶、行为设计。

算法的逐步思考推理过程​

步骤1：签到奖励计算
用户U连续签到6天，今日第7天，奖励应为100积分（根据曲线）。
步骤2：任务链引导
U签到后，弹出今日任务：浏览5分钟（奖励20积分）、点赞3次（10积分）、评论1次（20积分）。完成浏览后，自动弹出点赞任务。
步骤3：中断惩罚
如果U今天未签到，连续天数清零，明日签到重新从第1天开始。弹出提示：“您已连续签到6天，中断太可惜，购买补签卡（1元）可挽回。”
步骤4：习惯绑定
每天20:00（U通常活跃时间）推送：“每日签到奖励已就绪，快来领取吧！”
步骤5：奖励挂钩
U累积了500积分，可兑换5元优惠券（满50可用），但U想换10元券需1000积分，促使继续坚持。

编号​

126

主导/核心部门​

算法部、商业化部

相关/博弈部门​

法务部、客服部

规则类型​

定价规则、销售规则

规则领域​

电商、出行、酒店预订

规则的模型配方​

用户画像支付能力 × 实时供需 × 竞争环境 × 动态调价​

规则名称​

个性化定价与支付能力探测策略

规则目标​

基于用户画像（设备、地址、历史消费）估计支付能力，结合实时供需和竞争环境，对同一商品/服务展示不同价格。对高支付能力用户显示更高价格，对价格敏感用户显示更低价格或提供优惠券，最大化每笔交易收益，实现一级价格歧视。

约束条件​

1. 价格歧视的法律风险 2. 用户发现后的信任危机 3. 竞争平台的透明定价压力 4. 算法公平性审查。

输入、输出、时序和各类流程​

输入：用户画像Profile， 商品Item， 市场环境Market。
时序流程：
1. 支付能力估计：根据设备型号（iPhone vs 安卓）、收货地址（高档小区 vs 普通）、历史客单价等特征，估计支付意愿WTP。
2. 供需状态：实时查询库存、需求预测，计算供需系数S。
3. 竞争环境：监测竞品价格，确保定价在合理范围内，避免用户流失。
4. 动态定价：最终价格P = Base_price * α(WTP) * β(S) * γ(Competition)，其中α是歧视系数，β是供需系数，γ是竞争系数。
5. 优惠券差异化：对支付能力低的用户发放高额优惠券，使实付价接近其WTP。

业务复杂度​

高。需实时画像计算、市场监测、动态定价引擎和优惠券系统。

规则模型的数学方程式建模​

1. 支付意愿模型：
WTP = f(设备, 地址, 历史消费, 搜索行为)，机器学习模型预测。
2. 个性化定价：
P = P_base * (1 + k1 * (WTP/WTP_avg - 1)) * (1 + k2 * (Demand/Supply - 1))，调整系数k1,k2。
3. 收益最大化：
期望收益E[R] = P * 转化率(P)，通过调整P最大化E[R]。

规则的参数列表​

常量：基础价格P_base， 调整系数k1,k2。
变量：
- 用户特征：支付意愿WTP， 价格敏感度Sensitivity。
- 市场状态：供需比D/S， 竞品价格P_comp。
- 控制变量：歧视强度，优惠券发放策略。
列表/集合：
- 用户特征向量。
- 实时市场价格数据流。

数学特征​

1. 机器学习模型：WTP预测为回归问题。
2. 乘法模型：价格是基础价与多个系数的乘积。
3. 收益优化：在价格-转化率曲线上寻找最优价格。

数据列表​

1. 不同用户群体看到的平均价格差异。
2. 支付能力模型预测准确度评估。
3. 动态定价对整体GMV和利润的提升。
4. 用户比价后发现价格差异的投诉率。
5. 个性化定价在不同品类上的效果差异。

关联知识​

价格歧视、需求预测、机器学习、收益管理。

算法的逐步思考推理过程​

步骤1：支付能力估计
用户U：iPhone13 Pro，收货地址北京朝阳区高档小区，历史客单价500元。估计WTP=1000（对于标价800的商品）。
步骤2：市场状态
商品库存紧张，供需系数β=1.2；竞品价格850元。
步骤3：动态定价计算
P = 800 * (1 + 0.3*(1000/800-1)) * 1.2 = 800 * 1.075 * 1.2 = 1032，但竞品850，需调整，最终定价980元。
步骤4：优惠券差异化
对支付能力低的用户V，WTP=600，显示价格800，但发放200元优惠券，实付600。
步骤5：展示
U看到价格980元，V看到价格800元但有大额优惠券可用。

编号​

127

主导/核心部门​

广告部、产品部

相关/博弈部门​

用户体验部、法务部

规则类型​

广告规则、内容规则

规则领域​

社交媒体、新闻资讯

规则的模型配方​

样式模仿 × 内容融合 × 弱化标识 × 交互欺骗​

规则名称​

信息流广告原生伪装策略

规则目标​

将广告在样式、排版、交互上设计得与普通内容几乎一致，并弱化“广告”标识，使用户在浏览信息流时难以区分，误点击广告。通过提高广告点击率和转化率，增加广告收入，但牺牲用户体验和信任。

约束条件​

1. 广告法要求标识广告 2. 用户误点击后的反感 3. 长期损害内容可信度 4. 平台可持续收入与用户体验的平衡。

输入、输出、时序和各类流程​

输入：广告内容Ad_content， 信息流样式Feed_style， 用户行为User_behavior。
时序流程：
1. 样式模仿：广告使用与普通内容相同的字体、颜色、布局、头像、昵称样式。
2. 内容融合：广告文案模仿普通帖子风格，如“推荐一个好物”、“分享一个经验”。
3. 弱化标识：“广告”标签用浅色、小字、角落放置，或使用“推广”、“赞助”等模糊词汇。
4. 交互欺骗：广告的交互区域与普通内容一致（如点击图片、标题进入广告），甚至有点赞、评论等伪装互动。
5. 频次控制：控制广告出现频次，避免用户因过多广告而察觉，但保证广告曝光量。

业务复杂度​

中。需广告样式管理、信息流渲染、标识控制和频次控制算法。

规则的数学方程式建模​

1. 广告识别难度：
Difficulty = f(标识明显度, 样式差异度)，标识越不明显，样式差异越小，难度越大。
2. 误点击率：
CTR_mistake = g(Difficulty, 用户警惕性)，难度越大，警惕性越低，误点击率越高。
3. 广告收入：Revenue = Σ (Impressions * CTR * CPC)，通过提高CTR（含误点击）提高收入。

规则的参数列表​

常量：广告标识样式规范， 最小标识尺寸。
变量：
- 广告展示：标识明显度Label_visibility， 样式匹配度Style_match。
- 用户状态：广告识别能力Ability， 警惕性Vigilance。
- 控制变量：标识弱化程度，广告频次。
列表/集合：
- 广告样式模板库。
- 用户广告点击记录。

数学特征​

1. 函数关系：识别难度是标识明显度和样式差异度的函数。
2. 概率模型：误点击率与难度、警惕性相关。
3. 收入模型：广告收入是曝光、点击率、单价的乘积和。

数据列表​

1. 不同标识明显度下的广告点击率与误点击率。
2. 样式匹配度对用户广告识别准确率的影响（通过眼动实验）。
3. 用户对伪装广告的投诉率和反感度调研。
4. 广告频次对用户广告识别能力和点击率的影响。
5. 伪装广告策略对广告收入和用户留存的影响。

关联知识​

原生广告、广告标识、用户体验、广告法规。

算法的逐步思考推理过程​

步骤1：样式模仿
普通帖子样式：用户头像+昵称+正文+图片+点赞评论按钮。广告样式：使用类似头像昵称（标注“广告主”小字），正文类似UGC，图片风格一致。
步骤2：内容融合
广告文案：“用了这款洗发水，头发真的顺滑了很多！分享给大家”，模仿普通分享帖。
步骤3：弱化标识
在昵称下方用浅灰色小字“广告”，字号10px，对比度低。
步骤4：交互欺骗
点击广告图片或正文，跳转到广告落地页，但点赞评论按钮可点击（点赞后记录兴趣，用于后续广告推荐）。
步骤5：频次控制
每浏览20条信息流插入1条广告，避免用户因广告过多而警觉。

编号​

128

主导/核心部门​

数据合规部、产品部

相关/博弈部门​

法务部、公关部

规则类型​

隐私规则、数据规则

规则领域​

工具类、社交类应用

规则的模型配方​

功能锁定 × 数据勒索 × 渐进式索权 × 退出成本​

规则名称​

隐私交换与数据勒索策略

规则目标​

将核心功能与不必要的数据权限捆绑，如果用户拒绝授权，则禁用核心功能或降低体验。通过渐进式索权（先要基本权限，再要敏感权限）和退出成本（已产生数据无法导出），迫使用户交出更多数据，实现数据积累和变现。

约束条件​

1. 隐私法规（如GDPR、个人信息保护法） 2. 用户反弹和卸载 3. 应用商店审核 4. 品牌声誉风险。

输入、输出、时序和各类流程​

输入：用户权限状态Permission_state， 功能请求Feature_request， 数据积累Data_accumulated。
时序流程：
1. 功能锁定：用户使用核心功能（如拍照、通讯）时，要求授予相册、通讯录权限，否则功能不可用或受限。
2. 数据勒索：用户已产生数据（如照片、联系人）存储在云端，导出时需要授权更多权限或付费。
3. 渐进式索权：先请求基本权限（如存储），再在特定场景请求敏感权限（如位置、麦克风）。
4. 退出成本：用户想删除数据或注销账户，流程复杂，且提示“将永久丢失数据”，利用损失厌恶挽留。
5. 数据变现：收集的数据用于个性化广告、用户画像、第三方共享，产生收益。

业务复杂度​

中。需权限管理、功能控制、数据导出和删除流程设计。

规则的数学方程式建模​

1. 授权概率：
P(grant) = 1 / (1 + exp(-(α * 功能重要性 - β * 权限敏感度 - γ * 用户隐私意识)))
2. 数据价值：
用户u的数据价值V(u) = Σ w_i * Data_i，敏感数据权重高。
3. 退出阻力：退出成本C = 时间成本 + 数据损失价值 + 情感成本。

规则的参数列表​

常量：功能重要性权重α， 权限敏感度β， 用户隐私意识系数γ。
变量：
- 权限状态：已授权权限Granted， 未授权权限Denied。
- 功能依赖：功能-权限依赖表Dependency。
- 控制变量：索权策略，退出流程复杂度。
列表/集合：
- 权限-功能映射表。
- 用户数据资产清单。

数学特征​

1. Logistic模型：授权概率的逻辑回归模型。
2. 加权和：数据价值是各类数据的加权和。
3. 成本求和：退出成本是多项成本之和。

数据列表​

1. 不同功能锁定策略下的权限授予率。
2. 渐进式索权 vs 一次性索权的用户接受度对比。
3. 退出流程复杂度与用户流失率的关系。
4. 用户因隐私问题投诉和卸载的数量。
5. 数据收集量与广告收入的相关性。

关联知识​

隐私经济学、权限设计、数据保护、用户权益。

算法的逐步思考推理过程​

步骤1：功能锁定
用户U使用照片编辑功能，保存时请求相册权限，若拒绝，则无法保存到相册，只能临时编辑。
步骤2：数据勒索
U已编辑10张照片存储在App内，想导出，要求授予相册权限，否则只能预览无法导出。
步骤3：渐进式索权
U授权相册后，使用“附近的人”功能，要求位置权限；使用语音滤镜，要求麦克风权限。
步骤4：退出成本
U想注销账户，需联系客服，提供身份证明，处理周期7天，且提示“注销后将永久删除所有照片和编辑记录”。
步骤5：数据变现
U的相册照片用于训练图像识别模型，位置数据用于本地广告推送。

编号​

129

主导/核心部门​

用户运营部、产品部

相关/博弈部门​

用户体验部、法务部

规则类型​

通知规则、增长规则

规则领域​

社交、电商、内容应用

规则的模型配方​

红点滥用 × 虚假内容暗示 × 紧迫感制造 × 点击诱导​

规则名称​

虚假通知与红点诱惑策略

规则目标​

在应用图标、Tab栏、消息列表等位置滥用红点、数字角标，制造“有未读内容”的假象，即使用户无新消息也推送虚假通知（如“你错过了什么”、“好友在找你”），诱使用户点击，提高打开率和活跃度。

约束条件​

1. 用户对骚扰通知的反感 2. 平台通知权限被关闭的风险 3. 应用商店对通知滥用的政策 4. 长期信任损害。

输入、输出、时序和各类流程​

输入：用户状态User_state， 通知规则Notification_rules， 时间Time。
时序流程：
1. 红点滥用：在应用图标、Tab栏、功能入口等位置常驻红点，或显示虚假数字（如“99+”）。
2. 虚假内容暗示：推送通知“你有3条新消息”，点击进入发现是系统消息或推荐关注。
3. 紧迫感制造：使用“限时”、“最后机会”、“即将截止”等词汇，促使用户立即点击。
4. 点击诱导：通知文案使用疑问句、悬念，如“你猜谁看了你的主页？”
5. 频次控制：根据用户容忍度调整推送频率，避免用户关闭通知权限。

业务复杂度​

低。需通知推送系统、红点管理、用户行为分析和频次控制。

规则模型的数学方程式建模​

1. 点击率模型：
CTR = CTR0 + α * 红点强度 + β * 文案诱惑性 - γ * 用户疲劳
2. 用户疲劳：
Fatigue(t) = Fatigue(t-1) + δ * 推送次数 - ε * 时间衰减
3. 权限关闭风险：P(关闭) = f(推送频率, 虚假程度)。

规则的参数列表​

常量：红点强度等级， 文案诱惑性系数β。
变量：
- 通知状态：红点显示Badge， 推送文案Content。
- 用户反应：点击率CTR， 疲劳度Fatigue。
- 控制变量：推送频率，红点清除策略。
列表/集合：
- 通知模板库。
- 用户推送历史。

数学特征​

1. 线性模型：点击率是多个因素的线性组合。
2. 累积模型：疲劳度随推送次数累积。
3. 风险函数：权限关闭概率与推送频率、虚假程度相关。

数据列表​

1. 不同红点样式对用户点击率的影响。
2. 虚假通知 vs 真实通知的点击率和用户满意度对比。
3. 推送频率与通知权限关闭率的关系。
4. 用户对虚假通知的投诉和负面反馈。
5. 通知策略对日活、月活的提升效果。

关联知识​

通知设计、行为提示、用户疲劳、增长黑客。

算法的逐步思考推理过程​

步骤1：红点滥用
在“消息”Tab上常驻红点，即使没有新消息，也显示红点，点击后红点消失，但第二天又出现。
步骤2：虚假内容暗示
推送通知：“你有1条未读消息”，用户点击进入，是系统消息：“欢迎使用新功能”。
步骤3：紧迫感制造
推送：“你的优惠券即将过期，还剩2小时！”但优惠券实际价值低（满100减5）。
步骤4：点击诱导
推送：“你关注的人刚刚发布了新动态，快来看看吧！”但实际上是推荐用户，并非真正关注的人。
步骤5：频次控制
用户U近期点击率下降，疲劳度上升，降低推送频率，从每天3条减至1条，避免关闭通知。

编号​

130

主导/核心部门​

用户运营部、游戏化设计部

相关/博弈部门​

产品部、数据分析部

规则类型​

游戏化规则、激励规则

规则领域​

社区、内容平台、教育应用

规则的模型配方​

成就泛滥 × 稀有度贬值 × 新成就迭代 × 比较压力​

规则名称​

成就通胀与价值稀释策略

规则目标​

大量发放低门槛成就，使成就系统通货膨胀，原有成就价值稀释。通过不断推出新成就，并要求用户重新“肝”或付费获取，保持用户的投入。利用比较压力（好友新成就展示），促使用户追逐新成就，维持活跃和付费。

约束条件​

1. 成就系统可信度下降 2. 用户对“肝”的厌倦 3. 成就系统复杂度管理 4. 长期激励效果减弱。

输入、输出、时序和各类流程​

输入：用户成就Achievements， 成就系统状态System_state， 社交比较Social_comparison。
时序流程：
1. 成就泛滥：设计大量轻易可得的成就，如“首次登录”、“首次点赞”，成就系统显得丰富但廉价。
2. 稀有度贬值：原本稀有的成就因发放过多或新成就推出而贬值，如“早期用户”成就后来者也可获得。
3. 新成就迭代：定期推出新成就，设置更高门槛或付费要求，刺激用户重新追逐。
4. 比较压力：在动态、个人主页展示好友新获得的成就，激发比较和竞争。
5. 成就绑定：将成就与特权、外观绑定，但新成就的特权更吸引人，迫使追逐。

业务复杂度​

中。需成就系统设计、稀有度控制、新成就发布和社交展示。

规则的数学方程式建模​

1. 成就价值模型：
成就i的价值V_i = (Rarity_i * Utility_i) / (1 + Inflation)，其中Inflation是通胀率。
2. 用户追逐动力：
用户对新成就的动力D = α * (新成就价值 - 已有成就平均价值) + β * 社交比较。
3. 成就通胀率：
Inflation(t) = (新成就数量 / 总成就数量) * 发放速度系数。

规则的参数列表​

常量：成就初始稀有度Rarity0， 通胀系数Inflation_coef。
变量：
- 成就状态：成就总数N_total， 已获得人数N_achieved， 稀有度Rarity。
- 用户状态：已有成就价值V_owned， 社交比较压力Social_pressure。
- 控制变量：新成就发布频率，成就发放门槛。
列表/集合：
- 成就稀有度表。
- 用户成就获得记录。

数学特征​

1. 价值公式：成就价值与稀有度、效用正相关，与通胀负相关。
2. 动力模型：追逐动力是价值差和社交比较的线性组合。
3. 通胀计算：通胀率与新成就比例相关。

数据列表​

1. 成就获得人数分布与成就感知价值调研的相关性。
2. 新成就发布对用户活跃度和付费的短期刺激效果。
3. 成就通胀对用户成就收集积极性的长期影响。
4. 社交比较对用户追逐新成就的影响。
5. 成就系统满意度与成就通胀程度的关系。

关联知识​

游戏化、成就系统、通胀经济学、社会比较。

算法的逐步思考推理过程​

步骤1：成就泛滥
App有100个成就，其中80个是“首次XX”类，获得率超过90%。
步骤2：稀有度贬值
成就“测试用户”最初只有100人获得，稀有度高。但后来开放给前1000名用户，稀有度下降。
步骤3：新成就迭代
版本更新，推出“终极挑战者”成就，需连续登录100天或购买“成就加速包”。
步骤4：比较压力
用户A看到好友B获得了“终极挑战者”，在动态中显示，A也想获得。
步骤5：成就绑定
“终极挑战者”成就附带专属头像框和称号，而旧成就无特效，刺激追求。

编号​

131

主导/核心部门​

内容策略部、产品部

相关/博弈部门​

用户体验部、数据分析部

规则类型​

内容设计规则、留存规则

规则领域​

资讯平台、阅读应用

规则的模型配方​

短段落切割 × 插屏干扰 × 无限滚动 × 深度内容隐藏​

规则名称​

内容碎片化与深度阅读阻碍策略

规则目标​

将长篇文章切割成多个短段落，每段后插入广告、相关推荐或互动模块，打断阅读连贯性，使用户难以进行深度阅读。通过无限滚动和碎片化呈现，提高页面浏览量和广告曝光，但牺牲内容完整性和用户阅读体验。

约束条件​

1. 内容质量下降风险 2. 用户对频繁打断的反感 3. 深度用户流失 4. 媒体品牌形象受损。

输入、输出、时序和各类流程​

输入：文章内容Article， 用户阅读进度Progress， 广告库存Ad_inventory。
时序流程：
1. 短段落切割：将文章按每3-5行切割为一段，每段后留白，暗示可分块阅读。
2. 插屏干扰：在段落间插入广告、相关文章推荐、评论框、分享提示等干扰元素。
3. 无限滚动：页面无分页，自动加载下一段，但每次加载可能插入新干扰。
4. 深度内容隐藏：将文章的深入分析、数据图表等折叠，需点击“展开”查看，降低阅读率。
5. 阅读进度重置：用户离开再返回时，不记录上次阅读位置，或从中间插入广告，迫使用户重新寻找。

业务复杂度​

中。需内容解析、分段算法、广告插播策略和阅读状态管理。

规则模型的数学方程式建模​

1. 阅读深度指数：
Depth = 完整阅读段落数 / 总段落数，插入干扰降低Depth。
2. 广告曝光量：
Ad_impressions = 文章段落数 * 插入率，插入率越高，曝光越多。
3. 用户停留时间：碎片化可能增加总停留时间（因干扰），但深度阅读时间减少。

规则的参数列表​

常量：段落最大长度L_max， 广告插入间隔I_ad。
变量：
- 文章结构：段落列表Paragraphs， 深度内容位置Deep_sections。
- 用户行为：滚动速度Scroll_speed， 跳出位置Drop_position。
- 控制变量：干扰元素密度，深度内容折叠阈值。
列表/集合：
- 文章分段结果。
- 干扰元素插入规则表。

数学特征​

1. 比例度量：阅读深度是完成段落比例。
2. 乘法模型：广告曝光量与段落数、插入率成正比。
3. 时间分配：停留时间分为深度阅读时间和干扰处理时间。

数据列表​

1. 不同段落长度下的用户阅读完成率。
2. 广告插入频率与用户跳出率的关系。
3. 深度内容折叠对用户互动（点赞、评论）的影响。
4. 碎片化阅读对用户内容回忆率的测试结果。
5. 用户对阅读体验的满意度调研。

关联知识​

注意力碎片化、内容呈现、广告变现、用户体验。

算法的逐步思考推理过程​

步骤1：内容分段
文章共5000字，按每200字（约3-5行）分段，得到25段。
步骤2：干扰插入
每3段插入一个广告或相关推荐，共8个插播点。
步骤3：深度内容隐藏
第10段为数据图表，折叠显示“点击查看详细数据”，点击率预估10%。
步骤4：无限滚动
用户滚动到第5段时，预加载6-10段，并在第5段后插入广告。
步骤5：进度重置
用户阅读到第15段离开，1小时后返回，页面从第1段开始，中间插入新广告。

编号​

132

主导/核心部门​

社区运营部、产品部

相关/博弈部门​

法务部、公关部

规则类型​

社区规则、互动规则

规则领域​

论坛、问答平台、内容社区

规则的模型配方​

投票权重差异 × 沉默大多数 × 早期优势 × 结果误导​

规则名称​

社交投票与群体操纵策略

规则目标​

在社区投票（如点赞、反对、评分）中，赋予不同用户不同权重（如高等级用户权重高），使少数活跃用户主导舆论。利用“沉默大多数”效应，不显示未投票用户态度，营造虚假共识。通过早期投票置顶，影响后续投票，操纵结果以符合平台或广告主意愿。

约束条件​

1. 投票公平性质疑 2. 用户发现权重差异后的不满 3. 社区信任度下降 4. 法律对虚假宣传的规制。

输入、输出、时序和各类流程​

输入：投票选项Options， 用户身份User_identity， 时间Time。
时序流程：
1. 权重差异：高等级用户、付费用户投票权重更高，如普通用户1票，VIP用户3票。
2. 沉默大多数忽略：只显示已投票用户的比例，不显示未投票用户数量，制造“大多数人支持”的假象。
3. 早期优势：前10票的结果会显著显示，并影响后续用户的从众投票。
4. 结果误导：用模糊表述，如“80%的用户赞同”，但不提样本量小或权重差异。
5. 投票引导：在投票前提示“大多数人选择了A”，或默认勾选某个选项。

业务复杂度​

中。需用户权重系统、投票算法、结果展示逻辑和引导设计。

规则的数学方程式建模​

1. 加权投票结果：
选项i的总得分S_i = Σ w_u * Vote_u，其中w_u是用户u的权重。
2. 从众效应：用户u选择选项i的概率P(u,i) = P0 + α * 当前显示比例_i。
3. 结果偏差：显示结果与简单多数结果的差异。

规则的参数列表​

常量：用户权重映射Weight_map， 早期投票影响力系数α。
变量：
- 投票状态：各选项加权得分S_i， 当前显示比例Display_ratio。
- 用户行为：投票权重w， 投票时间t_vote。
- 控制变量：结果展示方式，投票引导强度。
列表/集合：
- 用户权重表。
- 投票记录。

数学特征​

1. 加权和：投票结果是加权和。
2. 概率模型：从众投票受当前显示比例影响。
3. 偏差度量：加权结果与简单结果的差异。

数据列表​

1. 不同权重设置下的投票结果与简单多数的差异。
2. 早期投票对后续投票的影响程度。
3. 用户对投票权重的感知和公平性评价。
4. 投票引导对最终结果的影响。
5. 投票机制对社区互动和信任的影响。

关联知识​

投票理论、从众效应、社会影响、平台治理。

算法的逐步思考推理过程​

步骤1：权重分配
用户A：普通用户，权重1；用户B：VIP，权重3。
步骤2：投票计算
选项X：A赞成，B反对。得分：S_X = 1 * 1 + 3 * 0 = 1；选项Y：A反对，B赞成。得分：S_Y = 1 * 0 + 3 * 1 = 3。Y胜出，尽管人数平局。
步骤3：结果展示
显示“Y获得75%支持”（按加权得分比例），隐藏权重差异。
步骤4：早期优势
前3票都是VIP投给Y，早期显示“Y领先”，后续用户从众投Y。
步骤5：投票引导
新用户投票时，提示“当前大多数人支持Y”，默认选中Y。

编号​

133

主导/核心部门​

电商运营部、产品部

相关/博弈部门​

用户体验部、法务部

规则类型​

销售规则、竞价规则

规则领域​

拍卖、限量商品发售

规则的模型配方​

公开出价 × 倒数计时 × 对手模拟 × 最后一分钟陷阱​

规则名称​

实时竞价与焦虑制造策略

规则目标​

在竞价场景中公开显示其他买家的出价和倒计时，制造竞争焦虑。通过模拟对手出价（机器人或虚假用户），刺激真实用户不断加价。设置“最后一分钟”自动延长，使竞价在最后时刻白热化，最大化成交价。

约束条件​

1. 虚假竞价的法律风险 2. 用户识破后的信任崩塌 3. 竞价体验的公平性 4. 平台声誉风险。

输入、输出、时序和各类流程​

输入：当前最高价Current_bid， 剩余时间Time_left， 用户出价User_bid。
时序流程：
1. 公开出价：实时显示所有出价记录，包括出价者（匿名）和出价时间。
2. 倒数计时：显著显示剩余时间（如“还剩30秒”），并随时间变红、闪烁。
3. 对手模拟：当竞价不活跃时，系统模拟对手出价，每次加最小幅度，刺激用户竞争。
4. 最后一分钟陷阱：最后1分钟内，每次有新出价自动延长1分钟，防止秒杀，鼓励拉锯战。
5. 获胜炫耀：竞价结束后，公开显示获胜者和成交价，刺激未获胜者下次更积极。

业务复杂度​

中。需实时竞价系统、倒计时管理、对手模拟算法和自动延长逻辑。

规则的数学方程式建模​

1. 用户出价冲动：
I_bid = α * (对手出价频率) + β * (时间压力) + γ * (已有投入)。
2. 最终成交价：
Final_price = 起拍价 + Σ 加价，模拟对手可提高加价次数。
3. 平台收益：佣金 = 成交价 * 佣金率。

规则的参数列表​

常量：最小加价幅度Min_increment， 自动延长阈值T_extend。
变量：
- 竞价状态：当前最高价Bid， 出价记录Bid_history， 剩余时间t_left。
- 用户状态：用户出价次数N_bids， 已投入总额Invested。
- 控制变量：对手模拟触发条件，时间压力展示强度。
列表/集合：
- 出价记录列表。
- 模拟对手配置。

数学特征​

1. 线性模型：出价冲动是对手频率、时间压力等的线性组合。
2. 求和：成交价是起拍价与加价之和。
3. 比例收益：平台佣金按比例计算。

数据列表​

1. 公开出价 vs 密封出价的最终成交价对比。
2. 倒计时设计对用户出价决策时间的影响。
3. 模拟对手出价对竞价活跃度和成交价的提升。
4. 最后一分钟延长对成交价的影响。
5. 用户对竞价公平性的投诉率。

关联知识​

拍卖理论、竞争焦虑、行为博弈论、消费者行为。

算法的逐步思考推理过程​

步骤1：公开出价
商品起拍价100元，显示“当前最高价：100元，出价者：用户”。
步骤2：倒数计时
显示“剩余时间：00:30”，背景变红，数字闪烁。
步骤3：对手模拟
剩余20秒无人出价，系统模拟“用户出价105元”。
步骤4：用户反应
真实用户A出价110元，系统立即接受，重新倒计时30秒。
步骤5：最后一分钟陷阱**
最后10秒，模拟对手出价115元，自动延长1分钟，刺激A再次出价。

编号​

134

主导/核心部门​

推荐算法部、内容运营部

相关/博弈部门​

公共事务部、伦理委员会

规则类型​

推荐规则、内容规则

规则领域​

新闻、视频、音乐平台

规则的模型配方​

兴趣固化 × 多样性抑制 × 同质增强 × 异质过滤​

规则名称​

个性化推送与回音室效应策略

规则目标​

通过个性化推荐系统不断强化用户的已有兴趣，过滤掉不同观点和内容，形成“回音室”。用户接触的信息越来越单一，观点被不断重复强化，导致认知狭隘和极化。但此举提高了用户粘性和满意度（短期），因为用户总是看到“喜欢”的内容。

约束条件​

1. 信息多样性的社会责任 2. 用户长期厌倦风险 3. 社会极化的负面影响 4. 监管对算法透明的要求。

输入、输出、时序和各类流程​

输入：用户兴趣Interest， 内容库Content， 反馈Feedback。
时序流程：
1. 兴趣固化：根据历史行为构建用户兴趣画像，并实时更新，但主要强化不变维度。
2. 多样性抑制：推荐算法中，多样性权重设得很低，优先推荐高相关度内容。
3. 同质增强：用户对某类内容互动越多，该类内容推荐越多，形成正反馈。
4. 异质过滤：与用户兴趣不符的内容，即使质量高，也排在几十页之后或直接被过滤。
5. 回音室度量：定期计算用户信息熵，熵值越低，回音室效应越强，但算法优化目标不考虑熵。

业务复杂度​

高。需用户兴趣建模、内容理解、推荐算法和多样性控制。

规则的数学方程式建模​

1. 兴趣更新：
Interest(t) = α * Interest(t-1) + (1-α) * 当前内容向量，α接近1，兴趣变化慢。
2. 推荐评分：
Score(i) = Relevance(i) + λ * Diversity(i)，λ很小，相关性主导。
3. 信息熵：
H = -Σ p_i log p_i，p_i是各类别内容的比例，H下降表示回音室增强。

规则的参数列表​

常量：兴趣衰减因子α， 多样性权重λ。
变量：
- 兴趣模型：兴趣向量I， 兴趣稳定性Stability。
- 内容特征：类别分布Categories， 相关性Relevance。
- 控制变量：多样性惩罚强度，异质内容过滤阈值。
列表/集合：
- 用户兴趣历史。
- 内容类别分布。

数学特征​

1. 指数平滑：兴趣的平滑更新。
2. 线性加权：推荐评分是相关性和多样性的线性加权。
3. 信息熵：度量信息多样性。

数据列表​

1. 用户兴趣的稳定性随时间的变化。
2. 推荐内容的信息熵与用户使用时长、满意度的关系。
3. 不同λ值对用户探索新内容的影响。
4. 回音室效应与用户观点极化的相关性研究。
5. 用户主动搜索异质内容的频率和成功率。

关联知识​

推荐系统、回音室效应、信息茧房、算法伦理。

算法的逐步思考推理过程​

步骤1：兴趣固化
用户U历史喜欢科技新闻，兴趣向量I中科技维度0.9，娱乐0.1。
步骤2：推荐生成
候选内容：科技新闻A（相关性0.95），娱乐新闻B（相关性0.2）。
Score(A)=0.95+0.01 * 0=0.95，Score(B)=0.2+0.01 * 1=0.21，A优先。
步骤3：同质增强
U点击A，更新I，科技维度升至0.92。
步骤4：异质过滤
娱乐新闻B得分低，排在100位后，U看不到。
步骤5：回音室形成
U连续一周只看科技新闻，信息熵H从0.5降至0.2。

编号​

135

主导/核心部门​

社区运营部、用户增长部

相关/博弈部门​

用户体验部、法务部

规则类型​

社区规则、游戏化规则

规则领域​

论坛、问答社区、UGC平台

规则的模型配方​

积分等级制 × 特权差异 × 下行恐惧 × 上升瓶颈​

规则名称​

社交积分与等级压迫策略

规则目标​

建立积分和等级系统，高等级用户享有显著特权（如删帖、置顶、优先审核）。低等级用户功能受限，且面临降级风险。通过制造“上升瓶颈”（高等级所需积分指数增长）和“下行恐惧”（不活跃就降级），压迫用户不断生产内容以维持或提升等级，提高社区活跃度。

约束条件​

1. 等级制度的公平性 2. 低等级用户的挫败感 3. 社区内容质量下降（为积分灌水） 4. 等级特权滥用风险。

输入、输出、时序和各类流程​

输入：用户行为Actions， 积分规则Point_rules， 等级表Level_table。
时序流程：
1. 积分等级制：用户行为（发帖、评论、点赞）获得积分，积分累计决定等级。
2. 特权差异：高等级可置顶帖子、进入专属版块、使用高级表情等。
3. 下行恐惧：每月扣除一定积分，不活跃则降级，失去特权。
4. 上升瓶颈：等级越高，升级所需积分越多，呈指数增长。
5. 竞争展示：公开显示等级排行榜，高等级用户有特殊标识，激发攀比。

业务复杂度​

中。需积分系统、等级计算、特权管理和降级机制。

规则的数学方程式建模​

1. 积分获取：
Points(t) = Points(t-1) + Σ w_i * Action_i - 每月扣除。
2. 等级函数：
Level = floor(log(Points) / log(base))，base>1，指数增长。
3. 活跃度要求：保持等级所需月活跃度A = f(Level)，等级越高要求越高。

规则的参数列表​

常量：行为积分权重W， 等级基数base， 每月扣除D。
变量：
- 用户状态：当前积分P， 等级L， 本月活跃度A。
- 特权映射：各等级特权列表Privileges。
- 控制变量：降级阈值，排行榜显示范围。
列表/集合：
- 积分规则表。
- 等级-特权映射表。

数学特征​

1. 累加与扣除：积分随时间累加，每月扣除。
2. 对数函数：等级是积分的对数函数，升级难度指数增长。
3. 函数关系：活跃度要求与等级相关。

数据列表​

1. 积分等级分布与用户活跃度的相关性。
2. 特权差异对高等级用户留存和低等级用户动力的影响。
3. 降级机制对用户回归率的刺激效果。
4. 上升瓶颈导致的用户挫败感和流失率。
5. 等级系统对社区内容产量和质量的影响。

关联知识​

游戏化、等级制度、激励理论、社区治理。

算法的逐步思考推理过程​

步骤1：积分计算
用户

编号​

136

主导/核心部门​

内容运营部、社区管理部

相关/博弈部门​

法务部、公关部

规则类型​

社区规则、内容规则

规则领域​

新闻、视频、社交平台的评论区

规则的模型配方​

热评加权 × 情绪煽动 × 置顶控制 × 敏感过滤​

规则名称​

评论区热度操纵与舆论引导策略

规则目标​

通过算法加权（如高等级用户点赞权重高、早期评论优势）和人工干预（置顶、加精）控制评论区热评顺序，放大符合平台或广告主意愿的评论，压制不利言论。利用情绪化评论容易获得点赞的特点，煽动对立情绪，提高评论互动和停留时长。

约束条件​

1. 评论真实性风险 2. 用户对操控的察觉 3. 舆论反弹 4. 法律对虚假宣传和舆论操控的限制。

输入、输出、时序和各类流程​

输入：评论列表Comments， 用户属性User_attrs， 时间Time， 情感分析Sentiment。
时序流程：
1. 热评加权算法：评论热度得分 = 点赞数×点赞权重 + 回复数×回复权重 - 踩数×踩权重，其中点赞权重根据用户等级、粉丝数等调整。
2. 情绪煽动：优先推荐情绪强烈（正面或负面）的评论，因其更容易引发互动。
3. 置顶控制：运营人员可将特定评论（如广告、官方引导）置顶，不受热度影响。
4. 敏感过滤：通过关键词过滤、模型识别，折叠或删除负面敏感评论，尤其针对平台、广告主或合作方的批评。
5. 早期优势：先发布的评论更容易获得初始互动，从而进入正反馈循环。

业务复杂度​

中。需实时评论排序算法、用户权重计算、情感分析和人工运营工具。

规则的数学方程式建模​

1. 评论热度得分：
Score(c) = Σ_{u∈likes} w_u + α*replies - β*dislikes + γ*I(early)
其中w_u是用户u的点赞权重，I(early)是早期评论奖励。
2. 情绪强度：评论情绪绝对值`

规则的参数列表​

常量：点赞权重函数w(u)， 回复权重α， 踩权重β， 早期奖励γ。
变量：
- 评论状态：点赞、回复、踩数，发布时间t。
- 用户属性：等级、粉丝数、历史可信度。
- 控制变量：情绪加权系数，置顶评论列表。
列表/集合：
- 评论热度实时计算队列。
- 敏感词库和过滤模型。

数学特征​

1. 加权和：热度是多种因素的加权和。
2. 情绪绝对值：情绪强度取绝对值，正负情绪都算。
3. 排序：按得分排序，置顶除外。

数据列表​

1. 热评算法对评论互动量（点赞、回复）的影响。
2. 情绪化评论的曝光率与互动率。
3. 置顶评论的点击率和转化率。
4. 用户对评论排序公平性的感知调研。
5. 敏感过滤的准确率与误伤率。

关联知识​

舆论引导、情感分析、社区管理、算法公平性。

算法的逐步思考推理过程​

步骤1：评论发布
用户发布评论，记录发布时间、用户属性、评论内容。
步骤2：情感分析
调用NLP模型，得出评论情感极性（-1到1）和强度（绝对值）。
步骤3：初始排序
新评论按时间倒序，但早期评论（如前10分钟）获得初始曝光，积累互动。
步骤4：热度更新
每5分钟重新计算所有评论的热度得分，考虑点赞用户权重（大V点赞权重高）。
步骤5：最终排序
按热度得分降序，但运营置顶评论固定在前3条。同时，过滤掉敏感内容（如辱骂、广告负面）。

编号​

137

主导/核心部门​

推荐算法部、产品部

相关/博弈部门​

用户体验部、法务部

规则类型​

推荐规则、交互设计规则

规则领域​

短视频、直播平台

规则的模型配方​

自动播放 × 无限下滑 × 峰值结束 × 即时满足​

规则名称​

视频推流与沉迷设计策略

规则目标​

通过自动播放、无限下滑的交互设计，使用户无需任何操作即可连续消费视频。算法根据用户兴趣实时推荐，每个视频在“最精彩”时刻结束（峰值结束），留下意犹未尽的感觉，促使用户继续观看下一个。结合即时满足（点赞、评论反馈），形成沉迷循环，最大化用户停留时长。

约束条件​

1. 用户过度使用风险 2. 防沉迷系统要求 3. 内容多样性挑战 4. 对用户注意力的过度榨取。

输入、输出、时序和各类流程​

输入：用户兴趣Interest， 视频库Videos， 实时行为Behavior。
时序流程：
1. 自动播放：打开App或下滑后，视频自动播放，无需点击。
2. 无限下滑：下滑加载下一个视频，无明确终点，创造“无限”内容池。
3. 峰值结束算法：识别视频的高潮点，在接近高潮时结束，或在高潮后立即切下一视频，避免满足感完全释放。
4. 即时满足：用户点赞、评论后，立即获得反馈（红心动画、评论回复），强化互动行为。
5. 实时推荐：根据用户对上一个视频的观看完成度、互动行为，实时调整下一个视频的推荐。

业务复杂度​

高。需实时视频理解、兴趣更新、推荐算法和交互设计。

规则的数学方程式建模​

1. 沉迷指数：
Addiction = 平均每次使用时长 * 每日使用次数，自动播放和无限下滑提高此指数。
2. 峰值结束优化：视频结束时间t_end = argmax_t (Engagement(t))，即在用户参与度最高时结束。
3. 实时推荐准确度：推荐视频的点击率、完成率、互动率。

规则的参数列表​

常量：自动播放延迟T_auto， 无限下滑触发阈值S_threshold。
变量：
- 用户状态：当前兴趣向量I， 会话时长Session_duration。
- 视频特征：高潮点时间t_climax， 互动率Engagement_rate。
- 控制变量：峰值结束策略，实时推荐更新速度。
列表/集合：
- 用户观看历史序列。
- 视频高潮点检测模型。

数学特征​

1. 乘积度量：沉迷指数是时长和次数的乘积。
2. 优化问题：峰值结束时间点选择。
3. 实时更新：兴趣向量随每个视频更新。

数据列表​

1. 自动播放 vs 手动播放的用户平均观看时长对比。
2. 峰值结束策略对用户继续观看意愿的影响。
3. 实时推荐算法的准确度指标（CTR、完成率）。
4. 用户沉迷程度与使用频率、时长的关系。
5. 防沉迷系统介入后用户行为变化。

关联知识​

短视频成瘾、推荐系统、注意力经济、交互设计。

算法的逐步思考推理过程​

步骤1：自动播放
用户打开App，立即全屏播放第一个推荐视频，音量适中。
步骤2：无限下滑
用户下滑，立即加载下一个视频，无缝切换，无加载提示。
步骤3：峰值结束检测
视频A的高潮在45秒，算法在43秒时开始预加载下一个视频B，45秒结束时立即切换至B。
步骤4：即时满足
用户点赞视频A，立即出现红心动画和震动反馈。
步骤5：实时推荐
用户看完A（完成度100%，点赞），更新兴趣向量，推荐更类似的视频B。

编号​

138

主导/核心部门​

直播运营部、商业化部

相关/博弈部门​

支付部、法务部

规则类型​

变现规则、互动规则

规则领域​

直播平台

规则的模型配方​

榜单竞争 × 特效炫耀 × 实时反馈 × 社交攀比​

规则名称​

直播打赏与虚荣经济策略

规则目标​

通过实时打赏榜单、炫酷打赏特效和全服公告，刺激观众的竞争意识和虚荣心。打赏者获得主播感谢、专属标识和社交地位，形成“花钱买面子”的虚荣经济。利用实时反馈（打赏后主播立即感谢）和社交攀比（好友打赏提示），鼓励冲动打赏，提高ARPPU。

约束条件​

1. 诱导打赏的法律风险 2. 未成年人打赏问题 3. 打赏者经济能力评估 4. 社会对虚荣消费的批判。

输入、输出、时序和各类流程​

输入：打赏金额Gift_value， 打赏者Gifter， 直播状态Live_status。
时序流程：
1. 榜单竞争：实时显示本场贡献榜、日榜、周榜，榜单前列有特殊标识。
2. 特效炫耀：打赏时触发全屏特效，价格越高的礼物特效越炫酷，且全直播间可见。
3. 实时反馈：主播立即口头感谢打赏者，并可能满足其点歌、连麦等请求。
4. 社交攀比：提示“您的好友XXX刚刚打赏了主播YYY”，激发攀比心理。
5. 身份特权：高额打赏者获得“贵族”身份，进入直播间有特效，发言有特殊颜色。

业务复杂度​

中。需实时榜单计算、特效系统、支付结算和社交提示。

规则的数学方程式建模​

1. 打赏冲动模型：
用户u在时间t的打赏冲动I(u,t) = f(社交压力, 主播互动, 榜单排名)。
2. 打赏收入：
Revenue = Σ Gift_value * (1 - platform_cut)，平台分成。
3. 虚荣效用：打赏者获得的虚荣效用V = g(榜单排名, 特效级别, 主播感谢)。

规则的参数列表​

常量：榜单更新频率f_rank， 特效级别阈值Gift_thresholds。
变量：
- 打赏事件：打赏金额Amount， 礼物类型Gift_type， 时间t。
- 用户状态：打赏者等级Level， 贡献值Contribution。
- 控制变量：特效显示强度，社交提示频率。
列表/集合：
- 礼物价格-特效映射表。
- 实时贡献榜。

数学特征​

1. 函数模型：打赏冲动是多因素函数。
2. 求和：收入是各打赏金额之和扣除分成。
3. 效用函数：虚荣效用是排名、特效等的函数。

数据列表​

1. 不同榜单设计对打赏竞争的影响。
2. 特效级别对高额打赏的刺激效果。
3. 实时反馈（主播感谢）对打赏者留存和再次打赏的影响。
4. 社交攀比提示对打赏行为的提升效果。
5. 打赏者经济能力与打赏金额的分布分析。

关联知识​

直播经济、虚荣消费、社会认同、冲动购买。

算法的逐步思考推理过程​

步骤1：榜单竞争
直播间右侧显示贡献榜，第一名“榜一大哥”有皇冠图标，实时更新。
步骤2：特效炫耀
用户A打赏“豪华游轮”（价值1000元），全屏出现游轮动画，持续10秒，所有观众可见。
步骤3：实时反馈
主播立即说：“感谢A大哥的豪华游轮！大哥大气！”
步骤4：社交攀比
向A的好友B推送：“您的好友A刚刚打赏了主播C豪华游轮。”
步骤5：身份特权
A打赏后，贡献值达到“国王”等级，进入任何直播间有进场特效，发言金色字体。

编号​

139

主导/核心部门​

内容运营部、创作者增长部

相关/博弈部门​

法务部、公关部

规则类型​

内容规则、激励规则

规则领域​

UGC平台（视频、文章、音乐）

规则的模型配方​

低门槛准入 × 高回报承诺 × 算法剥削 × 版权模糊​

规则名称​

UGC激励与内容剥削策略

规则目标​

通过低门槛（无需专业设备、技能）吸引大量用户生产内容，并用高回报（流量、收益）承诺激励。但实际通过算法将流量和收益集中在头部极少数创作者，大多数创作者投入时间精力但回报极低。同时，用户协议中模糊版权归属，平台可无偿或低价使用用户内容。

约束条件​

1. 创作者公平性质疑 2. 内容质量参差不齐 3. 版权法律风险 4. 长期创作者流失。

输入、输出、时序和各类流程​

输入：创作者内容Content， 流量分配Traffic_allocation， 收益规则Revenue_rules。
时序流程：
1. 低门槛准入：宣传“人人都是创作者”，手机即可创作，简单模板，无专业要求。
2. 高回报承诺：展示头部创作者的高收入案例，暗示普通人也可达到。
3. 算法剥削：流量分配高度倾斜，热门内容获得更多推荐，形成马太效应，多数内容无人问津。
4. 收益微薄：大多数创作者收益极低，千次播放几分钱，但平台通过广告赚取大量差价。
5. 版权模糊：用户协议中写明“平台有权使用用户内容进行推广、宣传等”，且可转授第三方。

业务复杂度​

中。需流量分配算法、收益计算系统、版权协议管理和创作者教育。

规则的数学方程式建模​

1. 流量分配函数：
内容i获得的流量T_i = T_total * (Popularity_i^α / Σ Popularity_j^α)，α>1，导致幂律分布。
2. 创作者收益：
Revenue_creator = 广告收入 * 分成比例 - 平台服务费，分成比例低。
3. 平台利润：平台利润 = 广告收入 - 创作者分成 - 成本。

规则的参数列表​

常量：流量分配指数α， 分成比例r_share， 平台服务费fee。
变量：
- 内容表现：流行度Popularity， 广告收入Ad_revenue。
- 创作者状态：累计收益Earnings， 内容数量N_content。
- 控制变量：流量倾斜程度，收益计算透明度。
列表/集合：
- 创作者收益明细。
- 用户协议版权条款。

数学特征​

1. 幂律分布：流量分配导致少数内容获得大多数流量。
2. 线性关系：创作者收益与广告收入、分成比例相关。
3. 利润计算：平台利润简单减法。

数据列表​

1. 创作者收益分布（基尼系数）。
2. 流量分配指数α对创作者积极性和内容多样性的影响。
3. 创作者对收益透明度和公平性的满意度调查。
4. 版权条款的用户知晓率和同意率。
5. 平台从UGC内容中获得的广告收入与创作者分成比例。

关联知识​

UGC经济、平台剥削、幂律分布、创作者权益。

算法的逐步思考推理过程​

步骤1：低门槛准入
用户下载App，注册即可上传视频，提供一键剪辑模板。
步骤2：高回报承诺
首页展示“创作者月入十万”案例，但小字注明“优秀创作者”。
步骤3：算法剥削
新视频发布，初始推荐给100人，若点击率>5%，则推荐给1000人，否则停止推荐。热门视频获得更多流量。
步骤4：收益微薄
创作者B视频10000播放，广告收入50元，平台分成70%，B得15元，再扣除手续费2元，实得13元。
步骤5：版权模糊
平台将B的视频用于广告宣传，未支付额外费用，依据用户协议。

编号​

140

主导/核心部门​

增长部、产品部

相关/博弈部门​

法务部、隐私保护部

规则类型​

增长规则、社交规则

规则领域​

社交应用、内容平台

规则的模型配方​

通讯录上传 × 社交图谱复制 × 多平台提醒 × 退出惩罚​

规则名称​

跨平台同步与社交绑架策略

规则目标​

引导用户上传通讯录或授权社交账号，复制用户的社交图谱，然后跨平台（如不同产品线）同步用户动态，发送多平台提醒（如“你的好友在另一平台发布了内容”）。用户若想退出，则面临社交关系断裂的风险，被绑架在平台生态内。

约束条件​

1. 隐私法规限制 2. 用户对骚扰的反感 3. 跨平台数据同步的技术和合规成本 4. 竞争平台的封锁。

输入、输出、时序和各类流程​

输入：用户通讯录Contacts， 社交关系Social_graph， 跨平台行为Cross_platform_actions。
时序流程：
1. 通讯录上传：以“寻找好友”为名，要求上传通讯录或授权微信/QQ好友列表。
2. 社交图谱复制：将通讯录匹配到平台用户，构建用户社交图谱，即使用户未互相关注。
3. 多平台提醒：用户的好友在平台B（如游戏）有动态，在平台A（如社交App）发送提醒。
4. 强制互动：提示“你好友需要你的帮助”，要求跨平台互动（如游戏助战）。
5. 退出惩罚：用户若注销账号，提示“将失去与X位好友的联系”，且在其他平台的特权也可能丢失。

业务复杂度​

中。需通讯录处理、跨平台用户匹配、消息推送和账号系统互联。

规则的数学方程式建模​

1. 社交绑架强度：
Binding = Σ w_ij * I(好友i在平台间关联)，w_ij是用户与好友i的亲密度。
2. 多平台活跃度：用户因跨平台提醒而使用多个平台的频率。
3. 退出成本：退出成本 = 失去的好友连接数 + 跨平台特权损失。

规则的参数列表​

常量：通讯录匹配阈值Match_threshold， 跨平台提醒频率f_reminder。
变量：
- 社交图谱：用户-好友关系矩阵R， 跨平台关联矩阵C。
- 用户行为：跨平台使用记录Cross_use。
- 控制变量：提醒强度，退出惩罚提示内容。
列表/集合：
- 用户通讯录哈希映射表。
- 跨平台事件类型表。

数学特征​

1. 加权和：绑架强度是好友亲密度的加权和。
2. 频率度量：多平台活跃度是频率。
3. 成本计算：退出成本是失去的连接和特权之和。

数据列表​

1. 通讯录上传率与用户留存率的关系。
2. 跨平台提醒对多平台活跃度的提升效果。
3. 用户对跨平台提醒的厌烦率和关闭率。
4. 退出惩罚提示对用户注销放弃率的影响。
5. 隐私政策同意率与实际数据使用情况的用户认知差距。

关联知识​

增长黑客、社交图谱、隐私计算、用户留存。

算法的逐步思考推理过程​

步骤1：通讯录上传
用户U注册，提示“上传通讯录，发现好友”，同意后上传。
步骤2：社交图谱复制
匹配通讯录，找到10个已注册好友，自动关注（或推荐关注）。
步骤3：多平台提醒
好友F在游戏平台B获得成就，在社交平台A向U推送：“你的好友F在游戏B中获得了成就，去祝贺TA吧！”
步骤4：强制互动
U点击提醒，下载游戏B，完成与F的互动（送礼物）。
步骤5：退出惩罚
U尝试注销平台A，提示“你将失去与10位好友的联系，他们在其他平台也无法与你互动”。

编号​

141

主导/核心部门​

推荐算法部、内容运营部

相关/博弈部门​

公共事务部、伦理委员会

规则类型​

推荐规则、内容规则

规则领域​

短视频、社交媒体、新闻平台

规则的模型配方​

情绪识别 × 情感强度加权 × 极端内容优先 × 情感共鸣剥削​

规则名称​

情绪化内容推荐与情感剥削策略

规则目标​

通过AI识别内容的情感强度（愤怒、焦虑、喜悦、悲伤），优先推荐高唤醒情绪（愤怒、焦虑）内容，利用用户的情感共鸣获取更高互动和停留。通过不断推送极端情绪内容，使用户陷入情感耗竭状态，降低理性判断力，更容易接受广告和付费内容。

约束条件​

1. 用户心理健康风险 2. 舆论对煽动性内容的批评 3. 监管对有害内容的打击 4. 平台价值观的长期损害。

输入、输出、时序和各类流程​

输入：内容情感分析Emotion_scores，用户情感状态User_emotion，互动历史History。
时序流程：
1. 情绪识别：对视频/文章进行情感分析，量化愤怒、焦虑、喜悦、悲伤等情绪的强度。
2. 情感强度加权：推荐算法中，高唤醒情绪（愤怒、焦虑）内容获得更高权重，优先推荐。
3. 极端内容优先：观点极端、非黑即白、煽动对立的情绪化内容获得更多流量。
4. 情感共鸣剥削：当用户对某类情绪内容产生共鸣（点赞、评论），系统会推荐更极端的同类内容，形成情感强化循环。
5. 情感耗竭利用：用户在连续消费负面情绪内容后，推送"解压"、"治愈"类付费内容或产品广告。

业务复杂度​

高。需实时情感分析模型、用户情感状态追踪、情绪加权推荐算法。

规则的数学方程式建模​

1. 情感强度评分：
E_score = w1*Anger + w2*Anxiety + w3*Joy + w4*Sadness，其中w1,w2权重更高。
2. 情感共鸣度：
Resonance = cosine(内容情感向量, 用户近期互动情感向量)。
3. 情感耗竭指数：
Exhaustion(t) = Σ 负向情感强度_i * 时长_i。

规则的参数列表​

常量：情绪权重向量W，情感共鸣阈值θ_res。
变量：
- 内容情感：情感向量E_content，唤醒度Arousal。
- 用户情感：当前情感状态E_user，情感耗竭度Exh。
- 控制变量：极端内容放大系数，情感耗竭检测灵敏度。
列表/集合：
- 情绪化内容库。
- 用户情感状态时间序列。

数学特征​

1. 线性加权：情感评分是各情绪维度的加权和。
2. 余弦相似度：情感共鸣是向量相似度。
3. 累积模型：情感耗竭是负向情感的累积。

数据列表​

1. 不同情绪内容对用户停留时长、互动率的影响。
2. 情感共鸣对用户后续内容偏好的影响。
3. 用户情感耗竭程度与付费转化率的相关性。
4. 极端情绪内容的举报率和下架率。
5. 用户心理健康自评与情绪化内容消费时长的关系。

关联知识​

情感计算、情绪传染、推荐系统伦理、数字健康。

算法的逐步思考推理过程​

步骤1：内容情感分析
视频标题："震惊！这个行业正在毁灭年轻人"，分析得：愤怒0.8，焦虑0.6，唤醒度高。
步骤2：情感加权
E_score = 0.8 * 0.4 + 0.6 * 0.3 + ... = 0.5（高分）。
步骤3：推荐排序
该视频在推荐列表中排名靠前，优先展示给易怒用户。
步骤4：情感共鸣剥削
用户U点赞该视频，更新U的情感向量，后续推荐更愤怒的内容（愤怒0.9）。
步骤5：情感耗竭利用
U连续观看10条愤怒内容后，推送"正念冥想课程"广告，转化率提高。

编号​

142

主导/核心部门​

用户增长部、社区运营部

相关/博弈部门​

产品部、法务部

规则类型​

社交规则、身份规则

规则领域​

职业社交、知识社区、高端消费平台

规则的模型配方​

身份验证 × 等级展示 × 圈层隔离 × 资格焦虑​

规则名称​

社交认证与身份焦虑策略

规则目标​

通过严格的实名认证、职业认证、学历认证等建立用户身份体系，并将认证信息显著展示。未认证用户功能受限，且在高价值圈层中不可见。制造"身份焦虑"，促使用户为获得认证（尤其是付费认证）和进入高价值圈层而提供更多个人信息或付费。

约束条件​

1. 认证真实性验证成本 2. 用户隐私担忧 3. 认证歧视的舆论风险 4. 法律对身份信息收集的限制。

输入、输出、时序和各类流程​

输入：用户身份信息Identity_info，认证状态Verification_status，圈层规则Circle_rules。
时序流程：
1. 身份验证分层：基础认证（手机）、中级认证（实名）、高级认证（职业/学历，可能付费）。
2. 等级展示：认证标识显著显示在头像、用户名旁，未认证用户有明显"未认证"标记。
3. 圈层隔离：某些圈子、话题、功能仅对特定认证等级开放，如"高管圈"需企业邮箱认证。
4. 资格焦虑制造：提示"您的好友中80%已完成职业认证"，"您因未认证无法查看此内容"。
5. 付费认证特权：付费认证（如"金V"）获得更多曝光、优先推荐、专属客服等特权。

业务复杂度​

中。需认证系统、身份验证、圈层权限管理、焦虑提示算法。

规则的数学方程式建模​

1. 身份价值函数：
Identity_value = Σ w_i * Level_i，Level_i是第i种认证等级。
2. 焦虑指数：
Anxiety = f(好友认证率, 错失内容价值)。
3. 付费转化率：
P(pay) = g(Anxiety, 付费认证特权价值)。

规则的参数列表​

常量：认证等级权重W，圈层访问阈值T_access。
变量：
- 用户身份：认证等级Levels，认证标识显示位置Display_pos。
- 社交环境：好友认证率Friend_verify_rate，圈层内容价值Circle_value。
- 控制变量：焦虑提示频率，付费认证定价策略。
列表/集合：
- 认证等级与特权映射表。
- 圈层访问规则表。

数学特征​

1. 线性加权：身份价值是认证等级的加权和。
2. 函数模型：焦虑是社交环境和错失价值的函数。
3. 转化函数：付费概率与焦虑、特权价值相关。

数据列表​

1. 不同认证等级用户的活跃度、付费率对比。
2. 焦虑提示对用户完成认证的转化效果。
3. 圈层隔离对高价值用户留存的影响。
4. 用户对身份认证的隐私担忧调研。
5. 付费认证的ROI分析。

关联知识​

身份经济学、社会认同、焦虑营销、平台治理。

算法的逐步思考推理过程​

步骤1：身份分层
用户U：基础认证（手机），未实名。
步骤2：等级展示
U在社区中，用户名旁显示"未认证"，头像有灰色问号。
步骤3：圈层隔离
U尝试进入"投资人沙龙"圈子，提示"需实名+职业认证方可加入"。
步骤4：资格焦虑制造
U的feed流显示"您关注的10位好友已完成职业认证"，并显示认证用户的优质内容（U只能看摘要）。
步骤5：付费认证特权
U完成实名后，提示"升级职业认证（需$99/年），获得金色认证标识，内容优先推荐"。

编号​

143

主导/核心部门​

数据科学部、广告部

相关/博弈部门​

隐私保护部、法务部

规则类型​

数据规则、推荐规则

规则领域​

电商、本地生活、内容平台

规则的模型配方​

全链路追踪 × 意图预测 × 精准拦截 × 决策预置​

规则名称​

行为轨迹监控与预测推送策略

规则目标​

通过跨App、跨网站的行为追踪，构建用户完整行为轨迹，预测用户下一步意图（如购买、旅游、怀孕）。在用户决策的关键时刻，精准推送广告或内容，甚至在用户意识到需求之前就提供解决方案，最大化转化率。

约束条件​

1. 隐私法规限制 2. 跨平台追踪的技术障碍 3. 用户对"被监控"的恐惧 4. 预测准确率要求。

输入、输出、时序和各类流程​

输入：用户行为序列Behavior_sequence，跨平台数据Cross_platform_data，预测模型Prediction_model。
时序流程：
1. 全链路追踪：通过SDK、Cookie、设备指纹等技术追踪用户在App内、网站间的浏览、搜索、点击行为。
2. 意图预测：使用序列模型预测用户下一步可能行为，如"搜索婴儿床后，未来2周可能购买奶粉"。
3. 精准拦截：在预测的关键决策点（如比价时），推送优惠券或限时折扣，拦截用户流向竞品。
4. 决策预置：在用户可能产生需求的场景提前推送内容，如"您所在的地区明天有雨，需要雨伞吗？"
5. 跨屏触达：在用户多个设备（手机、电脑、智能音箱）上同步推送，确保触达。

业务复杂度​

高。需大数据平台、行为序列建模、跨平台ID映射、实时预测引擎。

规则的数学方程式建模​

1. 意图预测概率：
`P(Intent

规则的参数列表​

常量：追踪数据保留期限T_retention，预测时间窗口T_pred。
变量：
- 行为序列：时间戳行为列表[(t1,a1),...]。
- 意图状态：预测意图Intent_pred，置信度Confidence。
- 控制变量：推送时机策略，跨屏频次控制。
列表/集合：
- 用户行为轨迹图。
- 意图-推送内容映射表。

数学特征​

1. 序列建模：意图预测基于行为序列的深度学习模型。
2. 优化问题：推送时机选择是随机优化问题。
3. 概率计算：跨屏触达是概率计算。

数据列表​

1. 行为序列长度与预测准确率的关系。
2. 精准拦截对转化率的提升效果。
3. 用户对预测推送的接受度和反感率。
4. 跨屏触达的转化率 vs 单设备触达。
5. 隐私设置对行为数据收集完整性的影响。

关联知识​

行为序列预测、精准营销、跨设备追踪、隐私计算。

算法的逐步思考推理过程​

步骤1：全链路追踪
用户U在AppA搜索"婴儿床"，在AppB浏览"婴儿车"，在网站C查看"育儿知识"。
步骤2：意图预测
序列模型预测U可能处于"孕晚期"，未来2周可能购买"纸尿裤"。
步骤3：精准拦截
当U在电商App搜索"纸尿裤"时，立即推送"新人专享券，满199减50"。
步骤4：决策预置
在U的天气App显示明天有雨，同时推送雨具广告（因U曾浏览过雨伞）。
步骤5：跨屏触达
U在手机、平板、智能音箱都收到相关推送。

编号​

144

主导/核心部门​

游戏经济部、虚拟商品部

相关/博弈部门​

法务部、财务部

规则类型​

经济规则、虚拟规则

规则领域​

游戏、虚拟社区、数字藏品

规则的模型配方​

货币发行控制 × 产出限制 × 需求创造 × 价值通缩​

规则名称​

虚拟经济与通货紧缩策略

规则目标​

通过控制虚拟货币发行量和稀缺道具产出，制造虚拟经济中的通货紧缩，使虚拟货币购买力不断上升，稀缺道具价格不断上涨。刺激用户提前囤积、投资虚拟资产，并为了获取稀缺资源而加大付费或投入时间。平台通过控制供给和创造需求，维持虚拟经济的热度和用户投入。

约束条件​

1. 经济平衡难度 2. 玩家对"肝"或"氪"的不满 3. 虚拟资产泡沫风险 4. 法律对虚拟货币的监管。

输入、输出、时序和各类流程​

输入：虚拟货币总量Money_supply，道具产出Item_output，用户需求Demand。
时序流程：
1. 货币发行控制：严格控制虚拟货币产出，日常任务产出极少，主要靠付费购买。
2. 产出限制：稀缺道具（如限定皮肤、稀有装备）极低概率掉落或限时限定数量发售。
3. 需求创造：通过版本更新、新玩法、社交炫耀，不断创造新的稀缺道具需求。
4. 价值通缩：由于货币产出少而道具需求多，道具价格（用虚拟货币计）持续上涨，货币购买力上升。
5. 投资心理利用：用户为保值或投机，用真实货币购买虚拟货币或道具，期待升值。