熱度TopN排名算法的設計
最近開始在簡書上混，今日在首頁上不經意間看到一篇《從豆瓣電影評分算法說起》，感覺有點眼熟，就點了進去。
其實阿北的那篇《豆瓣電影評分八問》，我也是剛看過，這可能也是讓我覺得眼熟的原因。
其他的不多說，其實讓我耳目一新的是作者說的用戶投票排名算法。
我之所以說是耳目一新，那是因爲類似這種熱度TopN排名的算法，在一年前接觸過，也設計過排名算法，並且，至今然仍在用，那就是“極客頭條"的最熱排行榜。
而現在，總算是接觸到比較完整的算法描述了，對排名算法也有了一個比較系統的認知，所以甚是感激。
其他的先不說，先把阮一峯老師的基礎六大算法排上，讓大夥兒對用戶投票排名算法有個大概瞭解：
(1) 基於用戶投票的排名算法（一）：Delicious和Hacker News 2012.02.24
(2) 基於用戶投票的排名算法（二）：Reddit 2012.03.07
(3) 基於用戶投票的排名算法（三）：Stack Overflow 2012.03.11
(4) 基於用戶投票的排名算法（四）：牛頓冷卻定律 2012.03.16
(5) 基於用戶投票的排名算法（五）：威爾遜區間 2012.03.20
(6) 基於用戶投票的排名算法（六）：貝葉斯平均 2012.03.28
回到這邊，關於極客頭條的最熱排行榜，當時雖然沒有系統的瞭解到六大算法，但是考慮還算是周全，也不算太low。
我們當時考慮以下幾個排名影響因素，例如，文章的頂、踩、評論、瀏覽數以及發佈時間等。至於公式算法就不方便公開了，整個算法也還算可以。
結合之前的實際操作以及現在的系統瞭解，對於熱度排名算法的設計也有了一些新的理解。
有些時候，差評不一定就是負影響！
從六大算法中我們可以知道，贊成票對結果起着正影響，而反對票則負影響。比如Reddis算法中，贊成票與反對票的差集越大，對結果正影響越大；而在威爾遜區間計算中，核心依據是好評率。
其實，在真實的業務場景中，不一定是這樣的，如果我們單純的是爲優質文章做熱度排序，這種做法毋庸置疑。但是，如果我們是爲類似辯論性，或者觀點性的文章做熱度排序呢？
針對於這種場景，個人認爲頂踩都很重要，兩個點能夠反映這種辯論文章的質量：頂踩數總和很多，頂踩勢均力敵。
頂踩數總和多，說明參與的人多；而頂踩數伯仲相間，說明話題辯論很劇烈，而不會是一邊倒。擁有這兩個特點，說明這個辯論文章就是一個優質文章，能夠引起衝突的熱點。
這麼一分析，我們會發現，六大算法其實是都不太適合的。我們需要實際的分析業務場景，然後定製出符合場景的熱度計算。
掌握時間衰減的度！
關於時間衰減，六大算法中的Hacker News算法首先提到。然後其他幾個基本上也都參考了時間對於熱度的影響。
通常來講，隨着時間遷移，熱度是需要下降的，不然就會出現馬太效應，熱者愈熱，冷者愈冷。
關於時間衰減方式，可以各種各樣，六大算法中也提到了幾種不同的衰減方式。這不是重點。重點是，我們在設計排名算法時，需要掌握好下降的速度，這需要結合實際的業務需求進行調整。
我認爲新文章的冷啓動不是一個問題。
在最後一個算法中，即貝葉斯平均中。作者提到了如何解決一些新文章特徵不夠，導致不公平的問題。
在初期，設計極客頭條的最熱排行榜時，我也考慮過新文章數據少導致排名偏低的問題，但仔細分析之後發現並不是這麼回事。
所謂熱度榜，我們希望排在前頭的就是熱度高的文章，新的文章交互少，那麼說明它就是不熱，這是一個現實。
那麼我們怎麼解決這個問題的呢？分榜，分別使用“最新榜”和“最熱榜”。最熱榜單，我只關注熱點，而最新則唯一依據就是時間。
這樣，我們會發現最新產生的交互數據會給最熱榜單帶來榜單排名的移動，是一種互補的作用。
而關於貝葉斯平均中提到的影片分類的問題，其實在總榜中，那種小衆的分類在總類中本來就屬於不熱數據，所以理應讓他靠後，而不是人爲把他熱度進行提升。還有一個解決方案就是，做分類的熱度分榜。
置信區間確實能夠解決小樣本數據的問題。
威爾遜區間算法中提到了置信區間，簡單來說就是通過樣本數的多寡來調整置信區間，而置信區間下限則參與計算。
說白了就是樣本數小的時候，好評率更不可信，所以要適當的降低好評率影響，樣本數多的時候，數據更能反映真實，則小範圍進行調整。
關於這一點，極客頭條是有改進的空間的。不過其他幾個方面的設計倒是挺完善的了。
多維參考時，權重可以通過線性迴歸計算得到。
很多時候，我們在做熱度排名時，會同時參考多個維度的屬性。最後得到的是一個綜合多個屬性考量的熱度值。
那麼，我們如何來確定每個屬性值對於熱度的影響有多大呢？換句話說就是每個屬性帶來的權重是多少。
我們可以通過人工+統計的方式進行確定。人工進行熱度值定義，然後獲取不同維度的屬性值，那麼剩下來就是已知Y，求X1、X2...的參數的線性迴歸問題了。
最後的建議：我們在設計熱度排名算法時，不必拘泥於這六大排名算法，多考慮一下實際業務場景，最主要的是對當前業務的熱度有一個比較清晰的定位，這樣才能根據實際情況進行算法設計以及相關調整，而不是對着算法照搬照抄。