基于用户投票的六大排名算法研究讲解

基于用户投票的六大排名算法研究

收藏到：0时间：2013-12-28 文章来源：马海祥博客访问次数：281

随着互联网的发展，网站的数量也在随着成倍的增加着，就中国的互联网来说，根据中国互联网信息中心的数据显示，目前中国的网站数量每半年都会以接近10%的数量增长。这些大量的网站涌现，也就意味着我们已进入了“信息大爆炸”的时代。

而如今用户担心的已不再是信息太少，而是信息太多。如何从大量信息之中，快速有效地找出最重要的内容，成了互联网的一大核心问题。所以各种各样的排名算法，已成为目前过滤信息的主要手段之一，尤其是搜索引擎的排名。在对信息进行排名的同时，也就意味着将信息按照重要性依次排列，并且及时进行更新。排列的依据，可以基于信息本身的特征，也可以基于用户的投票，即让用户决定，什么样的信息可以排在第一位。

下面，我将借助马海祥博客的平台整理和分析一些基于用户投票的排名算法，跟大家共同分享一下：

一、Delicious和Hacker News排名算法

1、Delicious排名算法

Delicious是提供了一种简单共享网页的方法，它为无数互联网用户提供共享及分类他们喜欢的网页书签。

对于最初的信息排名来说，最直觉、最简单的算法，莫过于按照单位时间内用户的投票数进行排名。得票最多的项目，自然就排在第一位。

旧版的Delicious，有一个“热门书签排行榜”，就是这样统计出来的，如下图所示：

它按照“过去60分钟内被收藏的次数”进行排名。每过60分钟，就统计一次。

Delicious算法的优点是：比较简单、容易部署、内容更新相当快；

Delicious算法的缺点是：一方面，排名变化不够平滑，前一个小时还排名靠前的内容，往往第二个小时就一落千丈，另一方面，缺乏自动淘汰旧项目的机制，某些热门内容可能会长期占据排行榜前列。

2、Hacker News排名算法

Hacker News是一个网络社区，可以张贴链接，或者讨论某个主题，如下图所示：

每个帖子前面有一个向上的三角形，如果你觉得这个内容很好，就点击一下，投上一票。根据得票数，系统自动统计出热门文章排行榜。但是，并非得票最多的文章排在第一位，还要考虑时间因素，新文章应该比旧文章更容易得到好的排名。

Hacker News使用Paul Graham开发的Arc语言编写。它的排名算法的实现的方法如下图所示：

将上面的代码还原为数学公式就是：

P表示帖子的得票数，减去1是为了忽略发帖人的投票。

T表示距离发帖的时间（单位为小时），加上2是为了防止最新的帖子导致分母过小（之所以选择2，可能是因为从原始文章出现在其他网站，到转贴至Hacker News，平均需要两个小时）。

G表示"重力因子"（gravityth power），即将帖子排名往下拉的力量，默认值为1.8，后文会详细讨论这个值。

从这个公式来看，决定帖子排名有三个因素：

第一个因素是得票数P

在其他条件不变的情况下，得票越多，排名越高，如下图所示：

从上图可以看到，有三个同时发表的帖子，得票分别为200票、60票和30票（减1后为199、59和29），分别以黄色、紫色和蓝色表示。在任一个时间点上，都是黄色曲线在最上方，蓝色曲线在最下方。

如果你不想让“高票帖子”与“低票帖子”的差距过大，可以在得票数上加一个小于1的指数，比如(P-1)^0.8。

第二个因素是距离发帖的时间T

在其他条件不变的情况下，越是新发表的帖子，排名越高。或者说，一个帖子的排名，会随着时间不断下降。

从前一张图可以看到，经过24小时之后，所有帖子的得分基本上都小于1，这意味着它们都将跌到排行榜的末尾，保证了排名前列的都将是较新的内容。

第三个因素是重力因子G

它的数值大小决定了排名随时间下降的速度。

从上图可以看到，三根曲线的其他参数都一样，G的值分别为1.5、1.8和2.0。G值越大，曲线越陡峭，排名下降得越快，意味着排行榜的更新速度越快。

马海祥博客点评：知道了Delicious和Hacker News是算法构成，就可以调整参数的值，以适用你自己的应用程序。

二、Reddit算法排名

对于Hacker News的排名算法，它的特点是用户只能投赞成票，但是很多网站还允许用户投反对票。就是说，除了好评以外，你还可以给某篇文章差评。如下图的Reddit社区所示：

Reddit是美国最大的网上社区，它的每个帖子前面都有向上和向下的箭头，分别表示“赞成”和“反对”。用户点击进行投票，Reddit根据投票结果，计算出最新的“热点文章排行榜”。

那么怎样才能将赞成票和反对票结合起来，计算出一段时间内最受欢迎的文章呢？如果文章A有100张赞成票、5张反对票，文章B有1000张赞成票、950张反对票，谁应该排在前面呢？这就需要我们来仔细的分析一下Reddit排名算法的工作原理了。

Reddit的程序是开源的，使用Python语言编写。排名算法的代码大致如下图所示：

这段代码考虑了这样几个因素：

（1）、帖子的新旧程度t

t = 发贴时间- 2005年12月8日7:50:50

t的单位为秒，用unix时间戳计算。不难看出，一旦帖子发表，t就是固定值，不会随时间改变，而且帖子越新，t值越大。至于2005年12月8日，应该是Reddit成立的时间。

（2）、赞成票与反对票的差x

x = 赞成票- 反对票

（3）、投票方向y

y是一个符号变量，表示对文章的总体看法。如果赞成票居多，y就是+1；如果反对票居多，y就是-1；如果赞成票和反对票相等，y就是0。

（4）、帖子的受肯定（否定）的程度z

z表示赞成票与反对票之间差额的绝对值。如果对某个帖子的评价，越是一边倒，z就越大。如果赞成票等于反对票，z就等于1。

结合以上的几个变量，我们可以得出Reddit的最终得分计算公式如下：

对于这个公式马海祥觉得又可以分成两个部分来讨论：

1、

这个部分表示，赞成票与反对票的差额z越大，得分越高。

需要注意的是，这里用的是以10为底的对数，意味着z=10可以得到1分，z=100可以得到2分。也就是说，前10个投票人与后90个投票人（乃至再后面900个投票人）的权重是一样的，即如果一个帖子特别受到欢迎，那么越到后面投赞成票，对得分越不会产生影响。

当赞成票等于反对票，z=1，因此这个部分等于0，也就是不产生得分。

2、

这个部分表示，t越大，得分越高，即新帖子的得分会高于老帖子。它起到自动将老帖子的排名往下拉的作用。