热内容算法/得分随时间衰减

Question

我一直在阅读+研究算法和公式，为我的用户提交的内容计算得分，以显示列表中较高的当前热门/趋势项目，但我承认我在这里有点过头了。

我将介绍一下我在追求的内容......用户将音频上传到我的网站，音频有几个动作：

• 玩过
• 下载
• 喜欢
• 拣选

理想情况下，我想要一种算法，我可以在每次记录（播放，下载等）新活动时更新音频分数，同时下载操作比播放更有价值，比下载更多最喜欢的不是。

如果可能的话，我希望1周以上的音频从列表中大幅下降，以便为更新的内容提供更多的趋势。

我读过有关reddits算法看起来不错的信息，但我对如何调整它以利用我的多个变量以及在大约7天后删除旧文章感到满意。

我们感兴趣的一些文章：

• http://amix.dk/blog/post/19588（reddits algo）
• http://www.evanmiller.org/rank-hotness-with-newtons-law-of-cooling.html

感谢任何帮助！

保

Answer 1

Reddits旧公式和一点点下降

基本上你可以使用Reddit的公式。由于您的系统仅支持upvotes，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

因素exp(-8*x*x)会为您提供理想的下线：

背后的基础知识

你可以使用任何比你的分数上升更快的功能。由于我们在分数上使用log，因此即使线性函数也会成倍增加（只要您的分数没有呈指数级增长）。

所以你需要的只是一个函数，只要你不想修改得分就会返回1，之后会丢弃。我们上面的例子形成了这个功能：

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

如果您想要更少的陡峭曲线，您可以改变乘数。

C ++中的示例

让我们说，给定音轨在给定时间播放的概率为50％，下载10％，如1％，喜欢0.1％。然后，以下C ++程序将为您的分数行为提供估计值：

#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：

这对您来说应该足够了。