1. 先厘清「网页重要性」到底指什么

做SEO的人几乎都会遇到同一个尴尬场面：老板或者产品经理丢过来一句「我们站有三千个页面，你排个优先级出来」，你打开后台，看到一堆曝光、点击、排名、外链数据，却发现这些数字互相打架——曝光高的页面没转化，转化好的页面没流量，老页面外链一堆但内容已经过时，新页面内容扎实但一点数据都没有。这时候如果只靠感觉拍板，排出来的优先级表基本等于许愿清单。

我理解的「衡量一个网页的重要性」，本质上是在回答一个资源分配问题：在人力、预算、抓取配额都有限的前提下，站内这几千上万个URL，哪些值得优先改写、优先加内链、优先做结构化、优先投放推广资源。所以网页重要性不是学术意义上的「权威度排名」，而是一个可计算、可复现、能支撑决策的排序结果。

这套东西适合三类人看：一是刚接手站点优化、手里只有后台导出表的新人，需要一套不至于跑偏的框架；二是做了几年、习惯凭经验判断的老手，可以拿来校准自己的直觉；三是负责内容排期的运营同学，需要一套能跟SEO对齐的语言。文中给的指标口径、权重算法和代码片段都可以直接改参数套用，数据源换成你自己站点的即可。

需要提前说明一点：我自己在实操里从不追求「一个绝对正确的分数」，只追求「排序稳定且能被解释」。分数本身会随数据更新波动，但只要同一批页面在不同月份的排序不大幅跳动，这套模型就是可用的；一旦出现某页面从上个月的20名冲到第1名，我第一反应不是窃喜，而是去查数据是不是出了问题。

2. 衡量体系的整体设计与思路拆解

2.1 为什么单一指标一定会失真

先说最常见的三种「单指标思维」，以及它们各自会翻车在哪。

第一种是只看流量。用点击量或者曝光量排序，结果往往是资讯类、热点类页面霸榜，而真正带来询盘的产品参数页、报价页、对比页排在后面。这类页面搜索量小，但搜索意图极其明确，一个访问的商业价值抵得上几十个泛流量访问。只按流量排序，会把预算全砸在「看着热闹」的页面上。

第二种是只看外链。外链数量作为重要性信号确实有效，但它是历史的沉淀，带有强烈的路径依赖。老页面躺着几十条外链，哪怕内容早就该重写了，分数依然很高；新做的、结构更清晰的页面因为没有外链积累，永远排不上号。更麻烦的是，外链数据在第三方工具里通常有几个月延迟，用它做月度决策等于用后视镜开车。

第三种是只看站内结构。按点击深度、内链数量排序，逻辑干净、数据好拿，但它衡量的是「你希望搜索引擎认为谁重要」，而不是「用户真的需要谁」。我曾经见过一个站点，把页脚的公司简介链接当成高重要性页面，因为它是全站每个页面都链过去的——这种由模板产生的链接如果不剔除，整个模型直接废掉。

所以我在设计这套体系时定的第一条原则是：至少覆盖结构、需求、行为、商业四个互不重叠的维度，任何一个维度单独拿出来都不足以定论，但四个维度同时指向同一个页面时，这个页面的优先级基本没有争议。

2.2 分层设计：把「重要性」拆成四个可采集的层

拆层的目的不是把事情搞复杂，而是让每个指标都能对应到明确的数据来源和明确的业务含义。我一般是这么分的：

结构层回答「站点自己怎么表态」。包括页面在站点层级中的位置（首页一级栏目还是五级深层）、有效内链入链数、是否出现在主导航或面包屑、是否在站点地图中、被搜索引擎抓取的频次。这一层的数据全部来自站内，可控性最强，也最容易被模板链接污染，需要重点清洗。

需求层回答「市场有多想要这个页面」。包括目标关键词的搜索需求规模、页面在搜索结果中的曝光量、平均排名位置、点击率、以及搜索结果页上出现的特殊模块（比如是否有图片区、问答区、视频区）。这一层是判断「值不值得投入」的关键，因为一个排在20名开外但曝光基数很大的页面，优化空间远大于一个稳定第1名但月搜索量只有几十的页面。

行为层回答「用户进来之后认不认」。包括停留时长、滚动深度、跳出情况、站内二次点击、回访比例。这一层的坑最多，因为不同页面类型的行为基线完全不同——工具页天然停留短，长文页天然停留长，拿同一把尺子量所有页面，结论一定是错的。我的做法是按页面模板分组，组内做归一化，不做全站横向比较。

商业层回答「这个页面离钱有多近」。包括转化次数、表单提交、询盘、加购、成交金额、毛利贡献。这一层的数据往往不在SEO手里，需要跟数据团队或者业务系统对接，但恰恰是这一层让SEO的优先级表能跟业务方对话。没有商业层的排序，你在评审会上很难说服任何人。

四层之间不是简单相加的关系。我的经验是：结构层决定「下限」（一个结构上被判死刑的页面，内容再好也很难排上去），需求层决定「天花板」（需求规模决定了这个页面的最大可能收益），行为层决定「当前效率」，商业层决定「值不值得破例」。比如某些页面行为数据很差、需求也不大，但商业价值极高（比如退换货政策页、企业采购流程页），这种页面我会手动给它一个「保护权重」，不让它被模型排到末尾去。

2.3 权重怎么定：别用拍脑袋的百分比

权重设计是这套体系里最容易变成玄学的地方。我见过直接写「结构30%、内容30%、流量40%」的方案，问为什么是30，答不上来。虽然最终权重多少带点主观，但至少要有推导过程，让别人能质疑、能修改。

我常用两种方法，按团队成熟度选：

方法一：两两比较打分（适合小团队快速落地）。把四个维度两两对比，谁更重要给2分，一样重要给1分，不重要给0分，最后按总分归一化。比如结构对需求，我认为需求更重要给2；结构对行为，结构稍重要给2；结构对商业，商业更重要给0；需求对行为给2；需求对商业给1；行为对商业给0。汇总后结构4分、需求5分、行为3分、商业4分，总分16，得到权重0.25、0.31、0.19、0.25。这套方法粗糙但快，而且因为是自己打分，后面调整起来没有心理负担。

方法二：用结果反推权重（适合有历史数据的站点）。拿过去半年已经做过优化的页面做样本，记录优化前后的流量或转化变化，用简单的线性回归拟合各维度指标对「优化收益」的解释力，回归系数归一化后就是权重。这个方法更硬，但需要至少50到100个样本，且要控制住外部变量（比如同期算法更新、季节波动），小站点做不了。

不管是哪种方法，有几个原则我一直在守：权重之和必须是1，任何一个维度不得超过0.4（超过就意味着其他维度形同虚设）；权重每季度复核一次，业务阶段变化了权重就该变（比如新站期结构权重可以调高，成熟期商业权重调高）；权重表要写进文档并且版本化，不然后面没人说得清去年那份优先级表是怎么算出来的。

2.4 评分表长什么样：一份可以直接照抄的字段清单

把上面的思路落成表格，大概是这样。这张表我会放在一个共享文档里，每次跑完数据直接输出一版，附上计算日期和数据口径说明。

注意这里每个子指标的权重先给定，四个层级的权重由子指标相加得出，这样调整起来只需要动子项，层级权重自动跟着变。我在实际使用中会把这张表分成「基础版」和「进阶版」：基础版只留七八个字段，适合刚起步、数据不全的站点；进阶版加上页面新鲜度、内容覆盖子问题数、结构化数据完整度这些，适合内容量大的站点。

3. 核心指标的计算细节与实操要点

3.1 内链权重怎么算：从链接图里挖出「站点自己认为重要的页面」

内链是结构层里最硬的信号，但直接用「入链数量」排序会出大问题——导航、页脚、侧边栏这些模板链接会让每个页面都平等地获得几百条入链，真正有区分度的正文内链被淹没了。所以第一步永远是剔除模板链接。

我的做法是给每条链接打两个标记：is_template（是否来自公共模板区域）和is_nofollow（是否被禁止传递权重）。公共模板的判定方式很土但有效：如果某个链接出现在超过80%的页面上，基本可以判定为模板链接。用SQL跑一遍就能筛出来：

-- 统计每条链接在多少个页面上出现，占比过高的视为模板链接 SELECT target_url, COUNT(DISTINCT source_url) AS src_cnt, COUNT(DISTINCT source_url) * 1.0 / (SELECT COUNT(*) FROM pages) AS coverage FROM internal_links GROUP BY target_url HAVING coverage < 0.8 ORDER BY src_cnt DESC;

筛完之后，剩下的就是正文内链。这时候再算入链数才有意义。但入链数本身是个长尾分布，头部页面几百条，尾部页面0到1条，直接做 min-max 归一化会把所有尾部页面压成0，失去区分度。所以要先做对数压缩：log(1 + in_links)，再做 min-max。这一步很关键，我见过太多人跳过这步，结果模型对中长尾页面完全失效。

更严谨一点，可以算页面级别的链接权重传递，也就是大家常说的链接图迭代。原理不复杂：一个页面把权重平均分给它链出去的页面，迭代若干轮后收敛。自己实现一个简化版大概二十行：

def simple_pagerank(edges, n_pages, damping=0.85, iters=30): """edges: [(source, target), ...]，返回每个页面的权重分""" out_deg = {} in_edges = {} for s, t in edges: out_deg[s] = out_deg.get(s, 0) + 1 in_edges.setdefault(t, []).append(s) score = {i: 1.0 / n_pages for i in range(n_pages)} for _ in range(iters): new_score = {} for i in range(n_pages): incoming = sum( score[s] / out_deg[s] for s in in_edges.get(i, []) if out_deg.get(s, 0) > 0 ) new_score[i] = (1 - damping) / n_pages + damping * incoming score = new_score return score

这段代码适合页面量在几万以内的站点，跑起来几十秒。页面量大的话建议用稀疏矩阵或者直接交给图计算库。实测下来，这个分数跟「人工判断哪个栏目页更重要」的吻合度相当高，因为它天然惩罚了那些「只进不出」的孤岛页面——只被链、不往外链的页面，权重传递会断掉，这跟真实站点的结构问题是对得上的。

注意：算出来的分数不要直接拿去跟别站比。每个站点的链接图规模不同，分数绝对值没有意义，只在站内做相对排序。

3.2 曝光和排名数据怎么用：需求层的三个陷阱

站长平台导出的曝光、点击、排名数据，是需求层最省事的数据源，但直接拿来用会踩三个坑。

第一个坑是曝光口径包含了大量无关展现。有些页面因为标题里带了一个高频词，在完全不相关的搜索结果里也拿到了曝光，这些曝光数很好看，但点击率极低，属于噪音。我的处理方式是给曝光加一个「相关性过滤」：只统计目标关键词命中的那部分曝光，或者用点击率做反向筛选，把点击率低于同组中位数三分之一的页面标记为「疑似无关展现」，在计算时降权。

第二个坑是平均排名会掩盖分布。一个页面平均排名8.3，可能是稳定第8名，也可能是第3名和第14名各占一半——后者的优化空间完全不同。所以我会额外拉一版排名分布，看落在前三页、第二页、第三页以后的比例，只有「有相当比例曝光落在第2页」的页面，才是短期最值得投入的优化对象。这类页面通常离首页只差一步，改个标题、补一段内容、加几条内链，位置就可能翻上去。

第三个坑是点击率不能跨页面比较。品牌词的点击率天然高，信息类词的点击率天然低，长尾词可能只有零点几个百分点却已经是正常水平。我一般按「词类型 × 排名区间」分组，组内算百分位，再拿百分位进模型。这样处理之后，一个点击率0.8%的长尾词页面，可能在它那一组里排在前20%，而一个点击率5%的品牌词页面反而排在组内中游，这个结论跟直觉是对得上的。

需求层还有一个隐藏价值：它能帮你识别「有需求但站内没有对应页面」的空白区。我习惯把关键词库和站内URL做一次匹配，匹配不上的词单独拉一张表，这张表往往比优化老页面更有价值——因为它对应的是新增内容的机会，而不是存量修补。

3.3 行为数据怎么用才不冤枉页面：分组归一化是底线

行为数据是四个层里最容易误伤页面的。工具类页面停留30秒很正常，一篇三千字长文停留3分钟也算正常，但如果全站混在一起排序，长文页永远赢，工具页永远输，最后模型会得出「应该多做长文少做工具」的荒谬结论。

我的处理流程固定三步：

第一步，按模板分组。把全站页面按模板打标签，比如文章页、产品详情页、列表页、工具页、政策页。分组之后，同一个组内的页面才具有可比性。

第二步，组内做百分位。每个指标在组内计算百分位分数，0到1之间，这样不同指标的量纲就统一了，而且天然抗异常值——一个页面停留时长异常长（比如用户开着标签页去吃饭了），在百分位体系里最多也就是1分，不会把整个分布带歪。

第三步，设置最小样本量。访问量太小的页面行为数据不可靠，比如一个月只有20次访问的页面，停留时长波动极大。这类页面我直接给行为层赋一个组内中位数，不参与百分位排序，避免小样本噪音污染排序结果。

import pandas as pd # df 需包含：url, template, pv, avg_dwell, scroll_rate, second_click df = df[df["pv"] >= 100].copy() # 过滤小样本 df["dwell_pct"] = df.groupby("template")["avg_dwell"].rank(pct=True) df["scroll_pct"] = df.groupby("template")["scroll_rate"].rank(pct=True) df["click2_pct"] = df.groupby("template")["second_click"].rank(pct=True) df["behavior_score"] = ( df["dwell_pct"] * 0.4 + df["scroll_pct"] * 0.3 + df["click2_pct"] * 0.3 )

这段代码很短，但解决的是核心问题：让不同模板的页面在同一把尺子下被公平比较。跑完之后你会发现，很多你以为「用户不喜欢」的页面，其实只是在错误的组里被比较了。

提示：行为数据的采集一定要在优化动作之前完成埋点并留下基线，否则事后无法归因。我踩过这个坑——优化了三个月才想起来看停留时长，结果发现没有基线数据，等于白干。

3.4 商业价值怎么量化：把「重要」翻译成「值钱」

商业层是让SEO主导权变强的关键。没有这一层，优先级表在业务评审会上就是一张技术报告；有了这一层，它就变成了资源申请书。

落地方式取决于站点的转化路径。电商类站点相对简单，直接取订单数据按落地页归因即可，注意要区分「直接成交」和「辅助成交」——有些页面用户看了三四个才下单，它自己不产生订单但影响决策，这种页面如果只看直接成交会被严重低估。我的处理是给辅助转化的页面按「参与路径次数」折算一个系数，通常取直接成交价值的0.3到0.5。

线索类站点（比如B端服务）麻烦一点，因为转化是表单提交，质量差异很大。我的做法是让销售团队给线索打质量标签，高意向、中意向、无效，然后按加权计算页面价值：高意向算1，中意向算0.3，无效算0。这样算出来的页面价值，比单纯统计表单提交数靠谱得多。

内容类站点最麻烦，因为没有直接成交。这时候我会用替代指标：注册转化、内容订阅、页面广告收益（按页面PV和RPM折算）、以及站内搜索关键词的商业价值（如果这个页面被大量站内搜索命中，说明用户明确需要它）。虽然不如直接成交精确，但至少有一个可比的货币化数值，能进模型。

我这里要强调一个观点：商业层的数据不需要绝对精确，只需要相对顺序正确。一个页面的转化价值算成12块还是15块不重要，重要的是它能区分出「价值几十块」和「价值几百块」两个档位。为了追求精确而放弃整个模型，是本末倒置。

4. 完整实操：给一个站点跑一遍重要性评分

4.1 数据采集与清洗：先把脏数据挡在门外

假设手上是一个内容站，页面量在八千左右，有站长平台数据、前端埋点、以及一个历史积累的链接表。整个流程我拆成五步走。

第一步是拉全量URL清单。从站点地图、爬虫抓取结果、服务器日志三条路各拉一份，做并集。只信站点地图不行，会因为配置漏掉页面；只信爬虫也不行，孤立页面永远抓不到。三份并集之后，通常能比站点地图多出百分之五到十的页面，这部分往往就是被遗忘的「孤儿页」。

第二步是拉结构数据。用自建爬虫或者站点地图导出，拿到每个页面的抓取层级、内链入链数、是否在导航中。这一步的关键是剔除模板链接，方法上一节说过了。

第三步是拉需求和行为数据。站长平台导出按页面聚合的曝光、点击、排名，埋点系统导出停留、滚动、二次点击。这一步要注意时间窗口对齐——所有数据都取最近完整自然月，不要一个取30天一个取90天，否则同比根本对不上。

第四步是拉商业数据。按落地页聚合转化次数和转化价值，跟前面的页面清单做左连接。匹配不上的页面转化填0，但不能简单填0了事，要区分「确实没有转化」和「因为归因缺失导致没匹配上」，后者我一般标记出来单独处理。

第五步是数据清洗。这一步最枯燥也最重要，通常要处理掉这些问题：URL 参数导致同一页面重复计数、大小写不一致、结尾斜杠不统一、分页页面被误当成独立页面、测试页面混进正式清单。我习惯写一个清洗脚本，把所有规范化规则集中在一处，每次跑数自动执行，避免手工操作遗漏。

import re from urllib.parse import urlparse def normalize_url(u: str) -> str: u = u.strip().lower() p = urlparse(u) path = re.sub(r"/+", "/", p.path).rstrip("/") or "/" return f"{p.scheme}://{p.netloc}{path}" df["url_clean"] = df["url"].map(normalize_url) df = df.drop_duplicates(subset=["url_clean"], keep="first")

这段代码看着简单，但在八千个页面的清单上，光这一步就能合并掉几百条重复记录。合并之后做聚合，不会出现同一个页面两条记录、分数被拆成两半的情况。

4.2 算分：归一化、加权、输出

清洗完的数据进入算分环节。我习惯把所有指标先统一到0到1之间，再加权求和。归一化方式按指标分布特点选择：

• 长尾分布指标（内链数、曝光量、转化次数）：先log1p再 min-max，避免头部页面把分布拉爆。
• 有明确方向的指标（点击深度、加载时间）：反向 min-max，数值越小分越高。
• 分档指标（是否在导航、是否有结构化数据）：直接映射成 0、0.5、1。
• 行为类指标：用上一节的组内百分位。

import numpy as np def norm_log_minmax(s): x = np.log1p(s.fillna(0).clip(lower=0)) return (x - x.min()) / (x.max() - x.min() + 1e-9) def norm_reverse(s): x = s.fillna(s.median()) return (x.max() - x) / (x.max() - x.min() + 1e-9) df["s_link"] = norm_log_minmax(df["in_links_valid"]) df["s_depth"] = norm_reverse(df["crawl_depth"]) df["s_nav"] = df["in_nav"].map({True: 1.0, False: 0.0}).fillna(0) df["s_demand"] = norm_log_minmax(df["impressions"]) df["s_ctr"] = df.groupby("kw_type")["ctr"].rank(pct=True) df["s_biz"] = norm_log_minmax(df["conv_value"]) W = { "s_link": 0.10, "s_depth": 0.08, "s_nav": 0.07, "s_demand": 0.12, "s_ctr": 0.09, "behavior_score": 0.25, "s_biz": 0.29, } df["final_score"] = sum(df[k].fillna(0) * w for k, w in W.items()) df["rank"] = df["final_score"].rank(ascending=False, method="min").astype(int)

跑完这一步，你会得到一张带分数的表。但不要直接按分数排序就交付，还有两件事要做。

第一件是分层抽样校验。从排名前50、50到200、200以后各抽10个页面，人工看一遍，判断分数跟直觉是否一致。如果发现某个明显应该靠前的页面排在很后面，去查它哪个指标拖了后腿，往往是数据问题而不是判断问题。我做过七八次这样的校验，几乎每次都能揪出一两个数据口径错误。

第二件是做敏感性分析。把权重上下浮动20%，看头部50名的排序变化有多大。如果某个页面在权重微调后就从前10掉到100名开外，说明它的分数高度依赖单一指标，这种页面在交付时要单独标注，提示「排序不稳定，建议人工复核」。实测下来，真正稳定的高价值页面，在权重怎么调都稳在前列。

4.3 结果怎么解读：分数只是起点，动作才是目的

分数出来的下一步是转化成动作清单。我一般按分数分四档，每档配不同的处理策略：

这里有个反直觉的经验：后40%的清理，收益往往比优化前10%更大。原因很实际——大量低质量页面会稀释站点的整体质量信号，也会浪费抓取资源。我做过一次对比，某站点清理了约1200个低价值页面之后，剩下的核心页面平均收录速度和排名都有可感知的提升。当然清理要谨慎，先做规范化或者设置跳转，观察一个月再决定是否彻底移除，别一上来就批量删。

另外，分数表要跟业务方共享，但不要共享分数本身，共享分档结果和对应的动作建议。业务方看到「0.734分」没有感觉，看到「这个页面属于第一档，建议每月维护一次」才知道要配合什么。沟通口径的统一，比模型精度重要得多。

5. 常见问题与排查技巧实录

5.1 数据口径类问题：八成错误出在这里

问题一：曝光和点击对不上。站长平台的曝光统计和埋点的PV统计差了三四倍，很多人第一反应是数据不准。实际情况通常是口径差异：曝光统计的是搜索结果页展现次数，一次访问可能在多个关键词下各算一次曝光；PV统计的是页面被打开的次数，同一用户刷新也算。这两个数本来就不该相等。我的处理是只用其中一个作为需求层指标，不做交叉验证，避免自我怀疑。

问题二：内链数量虚高。模型跑出来发现首页入链数三万条，其他页面只有个位数，归一化之后其他页面全变成0。这就是模板链接没剔干净。排查方法：随机抽五个页面的HTML，搜一下那些高分链接是不是出现在导航或页脚里。如果超过一半是，说明链接表根本没做模板标记。

问题三：转化数据匹配率低。商业层数据连上来之后，只有20%的页面能匹配到转化，其余全是0。这时候不要急着把0填进去跑，先看归因逻辑——很多站点的转化归因只记最后一次点击，导致中间环节的页面全部丢数据。改成「首次点击 + 末次点击」双归因，匹配率通常能提到60%以上。

问题四：同一个页面在清单里出现多次。带参数的URL、不同大小写、结尾斜杠差异，都会导致重复。跑之前务必做URL规范化，跑之后再检查一遍是否有重复的title或者重复的正文指纹。

5.2 模型类问题：分数看起来合理，其实不能用

问题一：新页面永远排不上。新页面没有外链、没有历史行为数据、商业数据也是0，四个维度全输，分数自然垫底。这不是模型错了，是模型缺了「潜力和时效」维度。我的解决办法是给上线90天内的页面加一个「新页面保护系数」，把它的最终分数乘以1.2到1.5，或者单独建一张新页面清单，用内容完整度、目标词需求、结构位置三个指标单独排序，不走全量模型。

问题二：分数通胀。每次跑完都有一批页面接近1分，看起来都完美。这通常是归一化方式的问题——min-max 对极值敏感，如果有个页面内链数特别夸张，其他页面都会被压到接近0，反过来如果所有页面都差不多，又会被拉开。解决办法是把 min-max 换成百分位排名，分布更均匀，也更抗极值。

问题三：排序月度大幅波动。这个月排第5，下个月掉到第80，再过一个月又回到第10。先查数据量和数据延迟，很多波动来自数据本身不稳定而不是页面变化。如果排除数据问题后仍然大幅波动，说明权重设计有问题——某个指标权重过高且波动大，需要降低它的权重或者做平滑处理（比如取三个月移动平均）。

问题四：行为和商业指标互相矛盾。有的页面用户停留很久但转化极低，有的页面停留很短但转化高。这时候不要强行调权重让它们统一，而是分开看：停留长转化低，通常是内容吸引力够但转化路径有阻碍（按钮不明显、表单太长、价格不透明）；停留短转化高，通常是决策路径短、意图明确（比如直接搜型号来比价）。这两类页面都应该排在前面，只是后续动作不同。

5.3 落地类问题：模型对了，推不动

问题一：没人认这个分数。最典型的情况是SEO自己算得很开心，内容和产品完全不买账。根源在于模型用了太多他们看不懂的指标。我的做法是输出两套视图：一套给SEO内部看，指标齐全；一套给业务方看，只保留「流量潜力、商业价值、维护成本」三个维度，用高/中/低三档表达。同一份数据，两种语言。

问题二：优化了但没效果。优先级排出来了，内容也改了，三个月过去排名没动。这时候要回查两件事：一是这个页面的问题到底是不是内容问题（有些页面是技术问题，比如渲染、加载、规范化，改内容当然没用）；二是优化动作有没有覆盖真正的瓶颈（模型告诉你这个页面结构分低，但你只改了正文，内链一条没加，那分数涨了排名也不会动）。我的习惯是在动作清单里明确写「本次优化针对哪个指标」，事后按指标复盘，而不是只看最终排名。

问题三：模型维护成本过高。一开始设计了二十个指标，跑了两个月发现数据更新要花三天，最后没人愿意跑。这几乎是所有自建模型的通病。我的建议是从七个指标起步，跑顺了再逐步加，宁可粗糙但能持续，也不要精致但跑一次就废。

下面这张表是我这几年踩坑总结出来的速查清单，遇到问题可以先对照着看：

除了上面这些，还有两个我个人很在意但很少被提到的细节。

一个是指标的时间衰减。外链、历史流量这些指标反映的是过去，而页面重要性是要指导未来的。对于内容型站点，我会给指标的统计窗口加一个衰减系数，越久远的数据权重越低，比如最近30天权重0.5，30到90天0.3，90天以上0.2。这样模型对近期变化的响应会更灵敏。

另一个是人工干预的留痕。任何手动调整分数的操作，都要记录调整人、调整原因、调整幅度。我见过一个站点，三个人各自手动改过权重，最后没人说得清某页面为什么排第一，模型彻底失去可信度。留痕不是为了追责，是为了让模型能持续演进——半年后回看这些干预记录，你会发现自己当初的很多判断是对的，也有很多是错的，这正是权重校准的最好素材。

6. 我在这套体系上的一些实际体会

这套评分模型我从最早的三四个指标，慢慢迭代到现在十来个字段，中间推翻重来过两次。第一次推翻是因为发现分数跟转化完全对不上，查下来是商业层数据根本没接进来，模型在优化「看起来重要」而不是「真的重要」的页面；第二次推翻是因为维护成本太高，指标太多导致没人愿意每月跑，最后变成一份躺在共享盘里的过期表格。这两次教训让我确定了一件事：能持续跑起来的粗糙模型，价值远高于跑不起来的精密模型。

如果让我给刚开始搭这套东西的人一句建议，那就是先把「结构层 + 需求层」这六个指标跑通，用两三个月时间验证排序结果跟实际优化效果的相关性，再逐步加行为层和商业层。别一上来就追求全维度覆盖，数据没准备好，加进去的维度只会变成噪音。

还有个小技巧值得分享：每次跑完分数，不妨把排名前20和最后20的页面各打印出来贴在显示器旁边，看一个月。你会对「什么页面在这个站真的重要」形成非常具体的直觉，这种直觉在数据缺失或者指标打架的时候，比任何模型都管用。模型是给团队用的，直觉是给自己用的，两者都需要养。