热度TopN排名算法的设计

jopen 8年前

文/博客虫

最近开始在简书上混,今日在首页上不经意间看到一篇《从豆瓣电影评分算法说起》,感觉有点眼熟,就点了进去。

其实阿北的那篇《豆瓣电影评分八问》,我也是刚看过,这可能也是让我觉得眼熟的原因。

热度TopN排名算法的设计

热度 TopN 排名榜

其他的不多说,其实让我耳目一新的是作者说的用户投票排名算法。

我之所以说是耳目一新,那是因为类似这种热度 TopN 排名的算法,在一年前接触过,也设计过排名算法,并且,至今然仍在用,那就是“极客头条"的最热排行榜。

而现在,总算是接触到比较完整的算法描述了,对排名算法也有了一个比较系统的认知,所以甚是感激。

其他的先不说,先把阮一峰老师的基础六大算法排上,让大伙儿对用户投票排名算法有个大概了解:

(1) 基于用户投票的排名算法(一):Delicious 和 Hacker News 2012.02.24

(2) 基于用户投票的排名算法(二):Reddit 2012.03.07

(3) 基于用户投票的排名算法(三):Stack Overflow 2012.03.11

(4) 基于用户投票的排名算法(四):牛顿冷却定律 2012.03.16

(5) 基于用户投票的排名算法(五):威尔逊区间 2012.03.20

(6) 基于用户投票的排名算法(六):贝叶斯平均 2012.03.28

回到这边,关于极客头条的最热排行榜,当时虽然没有系统的了解到六大算法,但是考虑还算是周全,也不算太 low。

我们当时考虑以下几个排名影响因素,例如,文章的顶、踩、评论、浏览数以及发布时间等。至于公式算法就不方便公开了,整个算法也还算可以。

结合之前的实际操作以及现在的系统了解,对于热度排名算法的设计也有了一些新的理解。

有些时候,差评不一定就是负影响!

从六大算法中我们可以知道,赞成票对结果起着正影响,而反对票则负影响。比如 Reddis 算法中,赞成票与反对票的差集越大,对结果正影响越大;而在威尔逊区间计算中,核心依据是好评率。

其实,在真实的业务场景中,不一定是这样的,如果我们单纯的是为优质文章做热度排序,这种做法毋庸置疑。但是,如果我们是为类似辩论性,或者观点性的文章做热度排序呢?

针对于这种场景,个人认为顶踩都很重要,两个点能够反映这种辩论文章的质量:顶踩数总和很多,顶踩势均力敌。

顶踩数总和多,说明参与的人多;而顶踩数伯仲相间,说明话题辩论很剧烈,而不会是一边倒。拥有这两个特点,说明这个辩论文章就是一个优质文章,能够引起冲突的热点。

这么一分析,我们会发现,六大算法其实是都不太适合的。我们需要实际的分析业务场景,然后定制出符合场景的热度计算。

掌握时间衰减的度!

关于时间衰减,六大算法中的 Hacker News 算法首先提到。然后其他几个基本上也都参考了时间对于热度的影响。

通常来讲,随着时间迁移,热度是需要下降的,不然就会出现马太效应,热者愈热,冷者愈冷。

关于时间衰减方式,可以各种各样,六大算法中也提到了几种不同的衰减方式。这不是重点。重点是,我们在设计排名算法时,需要掌握好下降的速度,这需要结合实际的业务需求进行调整。

我认为新文章的冷启动不是一个问题。

在最后一个算法中,即贝叶斯平均中。作者提到了如何解决一些新文章特征不够,导致不公平的问题。

在初期,设计极客头条的最热排行榜时,我也考虑过新文章数据少导致排名偏低的问题,但仔细分析之后发现并不是这么回事。

所谓热度榜,我们希望排在前头的就是热度高的文章,新的文章交互少,那么说明它就是不热,这是一个现实。

那么我们怎么解决这个问题的呢?分榜,分别使用“最新榜”和“最热榜”。最热榜单,我只关注热点,而最新则唯一依据就是时间。

这样,我们会发现最新产生的交互数据会给最热榜单带来榜单排名的移动,是一种互补的作用。

而关于贝叶斯平均中提到的影片分类的问题,其实在总榜中,那种小众的分类在总类中本来就属于不热数据,所以理应让他靠后,而不是人为把他热度进行提升。还有一个解决方案就是,做分类的热度分榜。

置信区间确实能够解决小样本数据的问题。

威尔逊区间算法中提到了置信区间,简单来说就是通过样本数的多寡来调整置信区间,而置信区间下限则参与计算。

说白了就是样本数小的时候,好评率更不可信,所以要适当的降低好评率影响,样本数多的时候,数据更能反映真实,则小范围进行调整。

关于这一点,极客头条是有改进的空间的。不过其他几个方面的设计倒是挺完善的了。

多维参考时,权重可以通过线性回归计算得到。

很多时候,我们在做热度排名时,会同时参考多个维度的属性。最后得到的是一个综合多个属性考量的热度值。

那么,我们如何来确定每个属性值对于热度的影响有多大呢?换句话说就是每个属性带来的权重是多少。

我们可以通过人工+统计的方式进行确定。人工进行热度值定义,然后获取不同维度的属性值,那么剩下来就是已知Y,求 X1、X2...的参数的线性回归问题了。

最后的建议:

我们在设计热度排名算法时,不必拘泥于这六大排名算法,多考虑一下实际业务场景,最主要的是对当前业务的热度有一个比较清晰的定位,这样才能根据实际情况进行算法设计以及相关调整,而不是对着算法照搬照抄。