基于用户投票的排名算法(一):Delicious和Hacker News

作者: 阮一峰

日期: 2012年2月24日

互联网的出现,意味着"信息大爆炸"。

用户担心的,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。

各种各样的排名算法,是目前过滤信息的主要手段之一。对信息进行排名,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,我将整理和分析一些基于用户投票的排名算法,打算分成六个部分连载,今天是第一篇。

一、Delicious

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。

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。

这个算法的优点是比较简单、容易部署、内容更新相当快;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。

二、Hacker News

Hacker News是一个网络社区,可以张贴链接,或者讨论某个主题。

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,源码可以从arclanguage.org下载。它的排名算法是这样实现的:

将上面的代码还原为数学公式:

其中,

  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。

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。

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。

知道了算法的构成,就可以调整参数的值,以适用你自己的应用程序。

[参考文献]

  * How Hacker News ranking algorithm works

  * How to Build a Popularity Algorithm You can be Proud of

(完)

珠峰培训

简寻

留言(36条)

后续还会写reddit吧

简单即美
这么简单的公式放在科研机构里似乎根本“不配”写出论文,但是,简单即美

?用chrome打开网页,有警告提示如下。。

警告:此页面包含危险内容!
www.ruanyifeng.com 包含 bamosa.ru 中的内容,后一个网站是已知分发恶意软件的网站。如果您访问该网站,您的计算机可能会中毒。
Google 发现如果您继续操作,您的计算机上可能会安装恶意软件。如果您以前访问过此网站或者您信任此网站,则此网站可能刚刚受到黑客攻击。您不应继续操作,建议您明天重试或者访问其他网站。

支持阮老师,继续学习!

arc? 怎么看怎么像lisp

@Gower:

我的chrome没有出现警告提示,我检查了一些网页代码,好像也没问题。

我会继续观察的。

“Hacker News使用Paul Graham开发的Arc语言编写,源码可以从arclanguage.org下载。”

这句话前后主语变了,光从句式上容易误解为Hacker News的源码,虽然从域名可以看出应该是Arc语言的源码。

难道我理解错了,但我记得Hacker News不是开源的呀。

引用osirpt的发言:

arc? 怎么看怎么像lisp

arclanguage.org 网站上说了, arc是lisp的一个方言。

很好奇你的这些信息是从哪里来的。

引用Magic的发言:

很好奇你的这些信息是从哪里来的。

很早以前,国内有人讨论HN还有reddit的算法,这些算法应该是这些网站自己公布的吧,纯粹推测有难度。

@Gower:

我知道怎么回事了,图床image.beekka.com的.htaccess文件被挂马了。

已经清除了。

重力因子 是反对票吗?

网站排版看着很舒服

这个真是不错!既考虑了时间,又考虑了得票数!顶一!

学习了,美味书签的算法我之前也考虑过,是一个简单可行的算法;Hacker News的排名算法不知道有没有名字,真是太好了,可以调整。以前也学习过srmeme曾经的一个网站算法,非常不错,国内应该还是缺少这种应用,当然,在国内这种环境必须要严防作弊。

国内有没有一个类似Hacknews的网站呢

关注中~~

我觉得应该做好信息的分类工作

阮先生,你的文章值得一读,期待后续,支持

dwadwa

o(∩_∩)o 你的文章太简练了,太美了,比那些科研论文有价值多了.
PS:能不能分享下你的学习方式和每一篇文章背后的故事。

最近博主没更新文章呢,有点小担心~~

看过您好多文章,今天这里问候一声~

引用Brooklyn的发言:


很早以前,国内有人讨论HN还有reddit的算法,这些算法应该是这些网站自己公布的吧,纯粹推测有难度。


以前有人在HN上问过: http://news.ycombinator.com/item?id=1781013

不过你也可以根据上面的代码中的comments搜索:
https://www.google.com/search?q=Votes+divided+by+the+age+in+hours+to+the+gravityth+power.&ie=utf-8&oe=utf-8&aq=t&rls=org.mozilla:en-US:official&client=firefox-a

会得到很多结果,比如这篇 http://amix.dk/blog/post/19574 就是阮一峰参考文献之一

请问,得票数P减1怎样理解呢?
“P表示帖子的得票数,减去1是为了忽略发帖人的投票。”这句话是理解成:系统规定每个新帖票数初值为1,还是假设每个发帖人都会为自己的帖子投上一票,亦或其它理解?

Hacker News 的算法 非常不错啊~!

您的这篇文字,让我茅塞顿开!期待更多简洁实用的文章!

纠错“一、Delicious
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。” 按语境猜测,应该是“最直接”,楼主笔误了。不是挑刺,纯粹是个人强迫症,见不得好东西有瑕疵。

引用Nemo的发言:

国内有没有一个类似Hacknews的网站呢

Fenng创建了一个:http://news.dbanotes.net/

引用Nemo的发言:

国内有没有一个类似Hacknews的网站呢

试试这个 http://news.icode.hk/

感谢阮老师的总结。

作为一个还算大型的 BBS ,我们采用了 SF 的算法进行 『本土化改良』

您好,看了您的文章受益匪浅,可是也产生了一个疑惑,这些算法如何在网站中具体实现,直接用SQL order 似乎不太可能,希望您能指导一下。。。。谢谢。。。

你好,这种会随着时间会导致排名顺序发生变化的情况。
对于服务端来说,应该怎么进行实际操作比较好呢。因为数据都是存在数据库里面的。
我想到的就是两种,一种是通过把数据库里面的数据都查出来,放在外面手动排序。
另一种是给在数据库里面加一个排序字段,然后定时遍历数据库,根据时间算出排序字段的值。
感觉如果数据量很大的话,第二种靠谱一点。
或者还有什么其它方法吗?

引用xtutu的发言:

你好,这种会随着时间会导致排名顺序发生变化的情况。
对于服务端来说,应该怎么进行实际操作比较好呢。因为数据都是存在数据库里面的。
我想到的就是两种,一种是通过把数据库里面的数据都查出来,放在外面手动排序。
另一种是给在数据库里面加一个排序字段,然后定时遍历数据库,根据时间算出排序字段的值。
感觉如果数据量很大的话,第二种靠谱一点。
或者还有什么其它方法吗?

我也有同样的问题呢!

阮老师讲的通俗易懂

我要发表看法

«-必填

«-必填,不公开

«-我信任你,不会填写广告链接