熱門內容算法/得分隨着時間的推移

Question

我一直在閱讀+研究算法和公式，爲我的用戶提交的內容計算一個分數，以顯示當前熱門/熱門的項目，但是我承認我'這裏有點凌亂。

我給上我後...網友上傳的音頻到我的網站的一些背景，音頻有幾個動作：

• 玩過
• 下載
• 喜歡
• 收藏

理想情況下，我想要一個算法，我可以在每次記錄新活動（播放，下載等）時更新音頻分數，還有一個下載動作比一個播放更有價值，比下載和喜歡更多。

如果可能的話，我希望超過1周的音頻從列表中非常大幅地下降，讓更新的內容更有可能成爲趨勢。

我已經閱讀了有關reddits算法，看起來不錯，但我在我的頭上如何調整它以利用我的多個變量，並在大約7天后放棄較舊的文章。

一些文章，我們很有趣：

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

任何幫助表示讚賞！

保羅

Answer 1

Reddits老配方和一個小落客

基本上你可以使用reddit的公式。由於您的系統只支持upvotes你可以進行加權，從而導致這樣的事情：

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)會給你把你想要的下降：

基礎知識背後

您可以使用任何比分數增加更快的功能。由於我們對我們的分數使用了log，即使線性函數可以相乘（只要您的分數沒有按指數規律增長）。

所以你只需要一個函數返回1，只要你不想修改分數然後下降。我們上面的例子形成該功能：

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

如果您想要較不陡的曲線，您可以改變乘數。

實施例在C++

比方說，對於一個給定的軌道的概率在給定的小時被播放爲50％，10下載％，如1％和最喜愛的0.1％。那麼下面的C++程序會給你一個估計你的分數行爲：

#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; 
} 

結果：

這應該是夠你用的。