algorithm - 热点内容算法/分数随时间衰减

Question

我一直在阅读和研究算法和公式，为我的用户提交的内容计算分数，以显示当前热门/热门项目在列表的较高位置，但我承认我在这里有点不知所措。

我会给出一些我所追求的背景......用户将音频上传到我的网站，音频有几个 Action :

• 玩过
• 已下载
• 喜欢
• 已收藏

理想情况下，我想要一种算法，每次记录新事件(播放、下载等...)时我都可以更新音频分数，下载操作也比播放更有值(value)，比如下载和喜欢多于点赞。

如果可能的话，我希望超过 1 周的音频从列表中急剧下降，以便为较新的内容提供更多的趋势机会。

我已经阅读了看起来不错的 reddits 算法，但我不知道如何调整它以利用我的多个变量，并在大约 7 天后删除旧文章。

一些我们感兴趣的文章:

• https://medium.com/hacking-and-gonzo/how-reddit-ranking-algorithms-work-ef111e33d0d9 (reddits 算法)
• http://www.evanmiller.org/rank-hotness-with-newtons-law-of-cooling.html

感谢任何帮助!

保罗

Answer 1

Reddits 旧公式和一点点下降

基本上你可以使用 Reddit 的公式。由于您的系统只支持投票，您可以对它们进行加权，结果如下:

def hotness(track)
    s = track.playedCount
    s = s + 2*track.downloadCount
    s = s + 3*track.likeCount
    s = s + 4*track.favCount
    baseScore = log(max(s,1))

    timeDiff = (now - track.uploaded).toWeeks

    if(timeDiff > 1)
        x = timeDiff - 1
        baseScore = baseScore * exp(-8*x*x)

    return baseScore

因子 exp(-8*x*x) 将为您提供所需的下降:

背后的基础知识

您可以使用任何归零速度快于分数上升速度的函数。由于我们在分数上使用 log，因此即使是线性函数也可以乘以(只要您的分数不呈指数增长)。

因此，您只需要一个函数，只要您不想修改分数，它就会返回 1，然后再删除。我们上面的例子形成了这个功能:

multiplier(x) = x > 1 ? exp(-8*x*x) : 1

如果您想要不那么陡峭的曲线，您可以改变乘数。

C++ 示例

假设给定轨道在给定时间内播放的概率为 50%，下载为 10%，点赞为 1%，最喜欢的为 0.1%。然后下面的 C++ 程序会给你一个分数行为的估计:

#include <iostream>
#include <fstream>
#include <random>
#include <ctime>
#include <cmath>

struct track{
    track() : uploadTime(0),playCount(0),downCount(0),likeCount(0),faveCount(0){}
    std::time_t uploadTime;    
    unsigned int playCount;
    unsigned int downCount;
    unsigned int likeCount;
    unsigned int faveCount;    
    void addPlay(unsigned int n = 1){ playCount += n;}
    void addDown(unsigned int n = 1){ downCount += n;}
    void addLike(unsigned int n = 1){ likeCount += n;}
    void addFave(unsigned int n = 1){ faveCount += n;}
    unsigned int baseScore(){
        return  playCount +
            2 * downCount +
            3 * likeCount +
            4 * faveCount;
    }
};

int main(){
    track test;
    const unsigned int dayLength = 24 * 3600;
    const unsigned int weekLength = dayLength * 7;    

    std::mt19937 gen(std::time(0));
    std::bernoulli_distribution playProb(0.5);
    std::bernoulli_distribution downProb(0.1);
    std::bernoulli_distribution likeProb(0.01);
    std::bernoulli_distribution faveProb(0.001);

    std::ofstream fakeRecord("fakeRecord.dat");
    std::ofstream fakeRecordDecay("fakeRecordDecay.dat");
    for(unsigned int i = 0; i < weekLength * 3; i += 3600){
        test.addPlay(playProb(gen));
        test.addDown(downProb(gen));
        test.addLike(likeProb(gen));
        test.addFave(faveProb(gen));    

        double baseScore = std::log(std::max<unsigned int>(1,test.baseScore()));
        double timePoint = static_cast<double>(i)/weekLength;        

        fakeRecord << timePoint << " " << baseScore << std::endl;
        if(timePoint > 1){
            double x = timePoint - 1;
            fakeRecordDecay << timePoint << " " << (baseScore * std::exp(-8*x*x)) << std::endl;
        }
        else
            fakeRecordDecay << timePoint << " " << baseScore << std::endl;
    }
    return 0;
}

结果:

这对你来说应该足够了。