【每周一篇】推荐算法之威尔逊区间法

简单阐述一下自己的学习计划：
【每周一篇】更侧重于理论，希望尽量能够形成一个体系或者完整的脉络
当然，也不排除因为业务或者紧急需求，突然跳到某个领域的可能~
【每周代码】更侧重于代码实践，可能是fork一个优秀项目，分析核心代码和算法思路，也可能是自己实现一个小项目demo（如果是这个的话，可能会持续好几周都是同一个算法了hhhh）
因为具体工作的空闲时间不定，所以不能保证每周都能更新【一篇】和【代码】，但是尽量保证每周更新其中之一
仅以自勉~

参考的文章放在前面，主要是整理和归纳（因为自己的水平还没到可以原创的程度hhh）
会增加自己的解读或者补充

应用：推荐系统-威尔逊区间法

写这篇的原因是因为上一篇代码部分，reddit社区的评论排序部分使用了这个方法，因此对这个还挺感兴趣的，就去网上专门找了一下，把这个简单易用的方法全面的学习一下~

先做如下设定：
（1）每个用户的打分都是独立事件。
（2）用户只有两个选择，要么投喜欢’1’，要么投不喜欢’0’。
（3）如果总人数为n，其中喜欢的为k，那么喜欢的比例p就等于k/n。

这是一种统计分布，叫做"二项分布"（binomial distribution）（二项分布后面会补充一个文章）
理论上讲，p越大应该越好，但是n的不同，导致p