I基于用户投票的排名算法.docxVIP

　　基于用户投票的排名算法（一）：Delicious和Hacker News　　互联网的出现，意味着信息大爆炸。　　用户担心的，不再是信息太少，而是信息太多。如何从大量信息之中，快速有效地找出最重要的内容，成了互联网的一大核心问题。　　各种各样的排名算法，是目前过滤信息的主要手段之一。对信息进行排名，意味着将信息按照重要性依次排列，并且及时进行更新。排列的依据，可以基于信息本身的特征，也可以基于用户的投票，即让用户决定，什么样的信息可以排在第一位。　　下面，我将整理和分析一些基于用户投票的排名算法，打算分成四个部分连载，今天是第一篇。　　一、Delicious　　最直觉、最简单的算法，莫过于按照单位时间内用户的投票数进行排名。得票最多的项目，自然就排在第一位。　　旧版的Delicious，有一个热门书签排行榜，就是这样统计出来的。　　它按照过去 60 分钟内被收藏的次数进行排名。每过 60 分钟，就统计一次。　　这个算法的优点是比较简单、容易部署、内容更新相当快；缺点是排名变化不够平滑，前一个小时还排在前列的内容，往往第二个小时就一落千丈。　　二、Hacker News　　Hacker News是一个网络社区，可以张贴链接，或者讨论某个主题。　　每个帖子前面有一个向上的三角形，如果你觉得这个内容很好，就点击一下，投上一票。根据得票数，系统自动统计出热门文章排行榜。但是，并非得票最多的文章排在第一位，还要考虑时间因素，新文章应该比旧文章更容易得到好的排名。　　Hacker News 使用 Paul Graham 开发的 Arc 语言编写，源码可以从下载。它的排名算法是这样实现的：　　将上面的代码还原为数学公式：　　其中，　　P 表示帖子的得票数，减去 1 是为了忽略发帖人的投票。　　T 表示距离发帖的时间（单位为小时），加上 2 是为了防止最新的帖子导致分母过小（之所以选择2，可能是因为从原始文章出现在其他网站，到转贴至 Hacker News，平均需要两个小时）。　　G 表示重力因子（gravityth power），即将帖子排名往下拉的力量，默认值为1.8，后文会详细讨论这个值。　　从这个公式来看，决定帖子排名有三个因素：　　第一个因素是得票数P。　　在其他条件不变的情况下，得票越多，排名越高。　　从上图可以看到，有三个同时发表的帖子，得票分别为 200 票、60票和 30 票（减 1 后为 199、59和 29），分别以黄色、紫色和蓝色表示。在任一个时间点上，都是黄色曲线在最上方，蓝色曲线在最下方。　　如果你不想让高票帖子与低票帖子的差距过大，可以在得票数上加一个小于 1 的指数，比如(P-1)^0.8。　　第二个因素是距离发帖的时间T。　　在其他条件不变的情况下，越是新发表的帖子，排名越高。或者说，一个帖子的排名，会随着时间不断下降。　　从前一张图可以看到，经过 24 小时之后，所有帖子的得分基本上都小于1，这意味着它们都将跌到排行榜的末尾，保证了排名前列的都将是较新的内容。　　第三个因素是重力因子G。　　它的数值大小决定了排名随时间下降的速度。　　从上图可以看到，三根曲线的其他参数都一样，G的值分别为1.5、1.8和2.0。G值越大，曲线越陡峭，排名下降得越快，意味着排行榜的更新速度越快。　　知道了算法的构成，就可以调整参数的值，以适用你自己的应用程序。　　[参考文献]　　* How Hacker News ranking algorithm works　　* How to Build a Popularity Algorithm You can be Proud of　　基于用户投票的排名算法（二）：Reddit　　Hacker News 排名算法的特点是用户只能投赞成票，但是很多网站还允许用户投反对票。就是说，除了好评以外，你还可以给某篇文章差评。　　Reddit是美国最大的网上社区，它的每个帖子前面都有向上和向下的箭头，分别表示赞成和反对。用户点击进行投票，Reddit根据投票结果，计算出最新的热点文章排行榜。　　怎样才能将赞成票和反对票结合起来，计算出一段时间内最受欢迎的文章呢？如果文章A有 100 张赞成票、5张反对票，文章B有 1000 张赞成票、950张反对票，谁应该排在前面呢？　　Reddit的程序是开源的，使用 Python 语言编写。排名算法的代码大致如下：　　这段代码考虑了这样几个因素：　　（1）帖子的新旧程度tt = 发贴时间 - 2005 年 12 月 8 日7:46:43　　t 的单位为秒，用unix时间戳计算。不难看出，一旦帖子发表，t就是固定值，不会随时间改变，而且帖子越新，t值越大。至于 2005 年 12 月 8 日，应该是Reddit成立的时间。　　（2）赞成票与反对票的差xx =