目录
- 为什么要排行榜
- 排行榜算法
- 1.考虑时间因素
- 2.考虑三种投票
- 3.考虑好评的平均程度
- 总结
推荐系统有一个顽疾就是冷启动，冷启动就是没有数据，没有数据怎么和用户玩呢？
一个新用户来了，什么数据也没有，推荐系统对其一无所知。这时候，你就需要一个排行榜了。
为什么要排行榜
排行榜，又名热门榜，它也是推荐算法的一员，不仅是，并且非常重要，而且其中也有不少的学问。
那么说排行榜到底有哪些用处呢？
1.排行榜可以作为解决新用户冷启动问题的推荐策略。当一个新用户刚注册时，可以把最近产品中热门的物品推荐给他。
2.排行榜可以作为老用户的兴趣发现方式。即便是老用户，也可以在享受个性化推荐的同时去浏览热门的物品，从中看看哪些感兴趣，哪些不感兴趣，这些行为都是补充或者更新新用户兴趣的数据来源。
3.排行榜本身就是一个降级的推荐系统。推荐系统本身是一个软件，因此也会有出现问题的时候，也会有推荐不出来的时候，这个时候可以把排行榜作为一种兜底策略。
今天，我就和你聊聊如何根据自己的产品特点构建一个合理的排行榜。
排行榜算法
最简单的排行榜，就是直接统计某种指标，按照大小去排序。在社交网站上，按照点赞数、转发数、评论数去排序，这是一种最常见、最朴素的排行榜。
类似的做法还有，在电商网站上按照销量去排序。
这样的做法也算推荐算法？很难说，因为确实简单，容易上线运行，但这样做不靠谱，不靠谱的原因在于一下几个问题：
1.非常容易被攻击，也就是被刷榜；
2.马太效应一直存在，除非强制替换，否则一些破了记录的物品会一直占据在榜单中；
3.不能反映出排行榜随着时间的变化，这点和马太效应有关。
既然朴素的排行榜有这些弊端，那么就针对它们来一一设计应对措施。
1.考虑时间因素
我们把用户给物品贡献的行为看做是用户在投票，这个很容易理解。排行榜中的物品，你可以想象它们每一个都是炙手可热的，都有一定的温度，那么这个温度按照热力学定律来讲，随着时间推移就一定会耗散到周围，温度就会下降。
或者，可以把排行榜想象成一个梯子，每个物品都在奋力往上爬，它们的动力来自用户的手动投票，物品本身都要承受一定的重力，会从梯子上掉下来，用户投票可以抵挡部分重力，投票数不及时或者不够，排行榜上的物品就会掉下来。
把这个规律反映在排行榜分数计算公式中，就比简单统计数量要科学得多。Hacker News计算帖子的热度就用到了这个思想，它们的做法用公式表达是下面这个样子。
P
−
1
(
T
+
2
)
G
\frac{P-1}{(T+2)^G}
(T+2)GP−1
公式中三个字母分别代表如下意义：
1.P；得票数，去掉帖子作者自己投票。
2.T:帖子距离现在的小时数，加上帖子发布到被转帖至Hacker News 的平均时长。
3.G：帖子热度的重力因子
公式中，分子是简单的帖子数统计，一个小技巧是去掉了作者自己的投票.分母就是将前面说到的时间因素考虑在内，随着帖子发表时间增加，分母会逐渐增大，帖子的热门程度分数就逐渐降低。
其中，重力因子的选择根据情况而定，重力因子越大，帖子的热度衰减越快，不同的重力因子对比如下图所示。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-SnXTCT9Z-1721966016134)(https://i-blog.csdnimg.cn/direct/a8f3fd1e549541dca30272955ce8afb4.png)]
可以看到，重力因子越大，衰减越快。
再看一下，相同重力因子选择的情形下，不同功能的得票数的对比。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-DmKBfOfu-1721966016141)(https://i-blog.csdnimg.cn/direct/91d3fd2469d24cbbbfa21b77880a62ce.png)]
从这个示意图可以看到，这个公式仍然能够反映出相同时间的帖子之间的相对热度差别。
另一个考虑时间因素的排行榜算法是牛顿冷却定律。物品受关注如同温度一样，不输入能量的话它会自然冷却，而且物体的冷却速度和其当前温度与环境之差成正比。将这个定律表述为公式就是下面的样子：
T
(
t
)
=
H
+
C
e
(
−
α
t
)
T(t) =H + Ce^{(-\alpha t)}
T(t)=H+Ce(−αt)
公式中分母的意义如下。
H:为环境温度，可以认为是平均票数，比如电商中的平均销量，由于不影响排序，可以不使用。
C:为净剩票数，即时刻t物品已经得到的票数，也就是那个最朴素的统计量，比如商品的销量。
t:为物品存在时间，一般以小时为单位
α：是冷却系数，反映物品自然冷却的快慢
反映物品自然冷却快慢的α该如何确定呢？有一个更直接的办法。假如一个物品在时间过去B个单位后，因为增加了A个投票数，而保持热门程度不变，那这样的话α应该是多少呢？简单把这个描述成方程就是下面的样子。
C
e
(
−
α
t
)
=
(
C
+
A
)
e
(
−
α
(
t
+
B
)
)
C e^{(-\alpha t)} = (C+A)e^{(-\alpha (t+B))}
Ce(−αt)=(C+A)e(−α(t+B))
可以解得：
α
=
1
B
l
n
(
1
+
A
C
)
\alpha = \frac{1}{B}ln (1+\frac{A}{C})
α=B1ln(1+CA)
用这个公式加上自己产品的要求来确定\alpha就容易得多，假如按照B=24,也就是过一天来看，我来举几个例子。
| 直观解释 | A/C | α |
|---|---|---|
| 投票数翻倍 | 1 | 0.03 |
| 投票数增加两倍 | 2 | 0.05 |
| 投票数增加三倍 | 3 | 0.06 |
| 投票数增加三百倍 | 300 | 0.24 |
你可以在自己的产品中，设定一个假设，然后就散出相应的α来。
2.考虑三种投票
前面的热度计算方法，只考虑用户投票和用户弃权两种，虽然这种情况很常见，但是还存在一些产品会存在运行用户投反对票的情形，比如问答网站中对答案的投票，既可以赞成，又可以反对。在这种情形下，一般这样来考虑：
1.同样多的总票数，支持赞成票多的，因为这符合平台的长期利益；
2.同样多的赞成票数，支持最有价值的，同样这符合平台的长期利益。
以国外某著名程序员问答网站为例，下面看一下他们对热门问题的热度计算公式：
( l o g 10 Q v i e w s ) ∗ 4 + Q a n s w e r s ∗ Q s c o r e 5 + ∑ i A s c o r e i ( Q a g e 2 + Q u p d a t e d 2 + 1 ) 1.5 \frac{(log10 Qviews)*4 +\frac{Qanswers*Qscore }{5} +\sum_{i}{Ascore_i} }{(\frac{Qage}{2} + \frac{Qupdated}{2} + 1)^{1.5}} (2Qage+2Qupdated+1)1.5(log10Qviews)∗4+5Qanswers∗Qscore+∑iAscorei
其中各元素意义如下：
1.Qviews:问题的浏览次数
2.Qanswers:问题的回答数
3.Qscore:问题的得分（赞成数-反对数）
4.Ascore:答案的得分
5.Qage:问题发布距离当前的时间
6.Qupdated:问题最后一次修改距离当前的时间
这个问题热门程度计算公式，要考虑了时间因素。分母反映了问题的陈旧程度，修改问题可以让问题不要衰老过快。分子有三部分构成：
1.左边是问题的浏览量，反映了问题的受关注程度；
2.中间是问题的回答量和问题本身质量分数的乘积，高质量、回答多的问题占优势；
3.右边是答案的总质量分。
3.考虑好评的平均程度
前面两种排行榜分数计算法，都是以用户投票的绝对数量作为核心的，那么换个思路来看，从比例看也是可以的。这也是一些点评网站常常采纳的模式，比如电影点评网站
通常会有一个Top250，这也是一种排行榜，以好评比例作为核心来计算排行榜分数。下面来看看这种排行榜。
一个经典的好评率估算公式，叫做威尔逊区间，它这样估算物品的好评率：
p
^
+
1
2
n
z
1
−
α
2
2
±
z
1
−
α
2
p
^
(
1
−
p
^
)
n
+
z
1
−
α
2
2
4
n
2
1
+
1
n
z
1
−
α
2
2
\frac{\hat{p} +\frac{1}{2n}z_{1-\frac{\alpha}{2}}^2 ± z_{1-\frac{\alpha}{2}}\sqrt{\frac{\hat{p}(1-\hat{p})}{n} +\frac{z_{1-\frac{\alpha}{2}}^2}{4n^2}}}{1+\frac{1}{n}z_{1-\frac{\alpha}{2}}^2}
1+n1z1−2α2p^+2n1z1−2α2±z1−2αnp^(1−p^)+4n2z1−2α2
其中各元素意义如下：
1.
p
^
\hat{p}
p^就是好评率，比如有一百个点评的商品，99个给了好评，那么这个值就是0.99
2.
z
1
−
α
2
z_{1-\frac{\alpha}{2}}
z1−2α是一个置信水平为
α
\alpha
α Z统计量，可以查表得到；
威尔逊区间考虑了评价的样本数，样本不足时，置信区间很宽，样本很足时，置信区间很窄。那么这个统计量有哪些应用呢？
1.多大比例的人们会采取某种行为？
2.多大比例的人认为这是一个Spam?
3.多大比例的人认为这是一个值得推荐的物品呢？
当你为每一个物品都计算一个威尔逊区间后，你可以采用Bandit算法，类似UCB的方式取出物品，构建成一个略带变化的排行榜。
最后，为你呈上某电影点评网站为电影排行榜计算分数的公式，它是另一种对好评率的应用，针对评分类型数据的排行榜。
v v + m R + m v + m C \frac{v}{v+m}R + \frac{m}{v+m} C v+mvR+v+mmC
这个排行榜计算公式，叫做“贝叶斯平均”，其中的元素意义描述如下：
1.R：物品的平均得分，有多少人评分，把他们评分加起来除以人数就是了；
2.v：参与为这个物品评分的人数；
3.m：全局平均每个物品的评分人数；
4.C: 全局平均每个物品的平均得分；
它反映了几个思想在里面：
1.如果物品没多少人为它投票，也就是评价人数不足，那么v就很小，m就很大，公式左边就很小，右边就很大，于是总分算出来就很接近右边部分，也就是接近全局平均分C;
2.如果物品投票人数很多，那么v很大，m很小，分数就接近它自己的平均分R
这个公式的好处是：所有的物品，不论多少人为它评分，都可以统一地计算出一个合理的平均分数，它已经被国内外电影评分网站采纳在自己的排行榜体系中，当然，它们肯定各自都有根据实际情况的修改。
总结
今天，我主要讲到了三种构建排行榜分数的算法。
一个最最朴素的排行榜就是统计一下销量、阅读量等，但要让排行榜反映出热度的自然冷却，也要反映出用户赞成和反对之不同，还要反映出用户评价的平均水平。
不要被公式所吓倒，实际上，它们统计起来很方便。这些公式都是在实际生成中演化而来的。
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
