基于Hacker News的内容热度推荐算法

近期公司产品需要做一个内容推荐的功能，但限于人员和能力有限，经过调研，确定了一个简单相对我们可以实现的方案。一篇文章产生，随着用户浏览、点赞、分享、收藏、评论，热度逐渐攀升，进入榜单到推荐页面，但随着时间的推移，这篇文章也不能永久的霸占榜单，让后面新产生的文章没有机会到推荐页，因此也就有了时间衰减的因素，从而可以让榜单能够动态的变化，除了上面基本的原理以外，还需要人为干预因素，通过加权或者降权的方式来影响排名。

因子

1. 用户活跃度（以积分的形式）
2. 浏览量
3. 点赞数
4. 收藏数
5. 评论数
6. 分享数
7. 时间衰减
8. 平台编辑推荐（人为因素介入干预）

基本原理

初始热度 Hinit

与最后的推荐指数呈正相关（注意不是成正比），影响其的因素有：

• 创作者：暂时以用户活跃度来界定
• 内容属性：以篇幅、类别来区分

互动热度 Hinteract

与最后的推荐指数呈正相关（注意不是成正比），用户行为数据是决定一篇文章是否热门的重要因素，通过对这些数据评级来进行调整行为分：

比如： 浏览+1分，点赞+3分，评论+8分，收藏+10分，分享+15分。

时间衰减 Htime

与最后的推荐指数呈负相关（注意不是成反比）

大部分内容属于一次性消费品，用户看过也就过了，若推荐榜单总是那么几条， 可能很快就觉得乏味 ，从而转向别的产品。所以我们自然希望内容能不断更新，而若只看初始热度+互动热度，那么后来者必定很难超越前者。

所以还必须考虑一个因素就是时间衰减，通常这个也不是线性衰减，往往是一个指数函数：即过了一定时间后，持续衰减，热度直到无限趋于0

权重 Hweight

运营或编辑人为干预来调整权重也很重要，毕竟算法是死的，人是活的，虽然大部分都遵循这样一个规律，但也不排除偶然或者极端情况，比如恶意刷榜，这时候就需要人为的干预

图形曲线：

总结公式

参数解释：

Hinit ： 初始热度值，可以以用户活跃度来衡量，比如以积分的形式，积分积累的途径有：

1. 发文章
2. 发笔记
3. 发动态
4. 提问题
5. 回答问题
6. 评论
7. 系统、平台编辑推荐

在其他条件一定的情况下，初始热度越高，其最终热度也就越高

Hinteract：互动热度值，根据用户行为数据来衡量，参考点有以下几项：

1. 浏览量
2. 点赞量
3. 评论量
4. 收藏量
5. 分享量

在其他条件一定的情况下，互动热度越高，其最终热度也就越高

Htime：时间衰减因子，也就是从提交到现在的时间（以小时计），加2是为了防止最新发表的会导致分母过小 ，这个值可调，在前期平台人数较少时调整大一些，在后期人数增长起来后，可以调整的小一些，比如，因为用户对平台资源有一个消化时间。并不是一发出来就有数据的。

G：重力因子，它决定了热度随时间下降的速度，前期平台人员较少时，相对应得发的资源也会比较少，这时可以把G调小一点，减缓时间推移对热度下降的影响，后期平台人员增多时，相对应的资源也会增加，这时可以把G调大一点，加速时间推移对热度下降的影响。比如：1.2-1.8

Hweight: 加减权重，初始值可以为0，在某些偶然或者极端情况下需要人为干预的时候，可以动态调整其值，使其能够及时的控制其热度。

反作弊

1. 可以通过权重来干预
2. 可以制定社区规则来动态调整Hinit