互联网发展的早期，信息如何分布如何展现在内容网站一直都是比较重要的问题；人们在历史经验的基础上将经验算法化来对内容进行排序，而解决的是绝大部分用户在网站上的体验（因为影响因子是群体数据）。
举例投票型网站
影响因素：投票行为和时间
P是赞成票数 T是发布时间 G是衰减系数
其他常数是场景优化的参数
可以看到随着时间的衰减，相同时间赞成票越多的内容热度高；
场景优化
某些产品不仅有赞成，也有反对；这个时候我们可能就需要通过差值（P）来表现内容的优劣。而且投票方向(P正负)会影响时间因子对整体得分的影响方向（差的应该比好的衰减快）
如果担心样本数据的基数对分值的影响（基数越大，越有参考性），还要对P的系数进行调整，基数越大，P的权重越大
有些时候我们担心马太效应，会对差值log来调整高额时的影响幅度（赞成票到一定程度影响不会特别大了）。
所有的这些都是我们通过历史经验对结果进行预期，什么是好的，什么对有影响，什么对结果的影响比较大都会体现在公式中
网友评论