seo同行网站wordpress企业建站模版
✨ Yumuing 博客
🚀 探索技术的每一个角落，解码世界的每一种可能！
💌 如果你对 AI 充满好奇，欢迎关注博主，订阅专栏，让我们一起开启这段奇妙的旅程！
以权威用户为核心，时间衰减为尺度，社区互动为杠杆」的评分体系，实现：
📌 动态防刷：实时监控异常点赞，自动降权可疑评价
📌 智能冷启动：新书享3个月权重保护期，新用户默认60%权威值
📌 时空平衡：3年半衰期机制+Reddit热榜公式，兼顾经典与时效性
评分计算公式
S = ∑ i = 1 n ( w i ⋅ s i ) + C ⋅ μ ∑ i = 1 n w i + C S = \frac{\sum_{i=1}^{n} (w_i \cdot s_i)+C\cdot \mu}{\sum_{i=1}^{n} w_i+C} S=∑i=1nwi+C∑i=1n(wi⋅si)+C⋅μ
其中：
-
S S S：最终综合评分
-
s i s_i si：第i条评价的原始评分（1-5星）
-
w i w_i wi：第i条评价的综合权重
-
μ \mu μ：所有书籍的基准平均分（动态计算），采用以评分人数为权重的优书网原始加权平均评分，经计算，该分数为：5.269
-
C C C：平滑强度系数
推荐值取平均评论数的50%，为小样本添加该值对应数量的平均评价
注：女频若是普遍高于男频，则采用男女频分类排行，再重新赋值，混合排行
权重计算模型
w i = ( A i ⋅ T i ⋅ V i ) w_i = (A_i \cdot T_i \cdot V_i) wi=(Ai⋅Ti⋅Vi)
评价者权重计算
A i = log ( 1 + h a h a v g ) 1 + log ( 1 + h a h a v g ) ⋅ s i g m o i d ( h a − h a v g h s t d ) A_i =\frac {\log(1 + \frac{h_a}{h_{avg}})}{1+\log(1 + \frac{h_a}{h_{avg}}) } \cdot sigmoid(\frac{h_a - h_{avg}}{h_{std}}) Ai=1+log(1+havgha)log(1+havgha)⋅sigmoid(hstdha−havg)
其中：
- h a h_a ha：评价者历史评论总赞同数
- h a v g h_{avg} havg：平台用户历史赞同数平均值
- h s t d h_{std} hstd：平台用户历史赞同数标准差
设计原理：
- 使用自然对数 e \mathrm{e} e压缩防止头部用户主导
- Sigmoid函数实现平滑过渡，当用户权威值超过均值1个标准差时获得0.73权重，2个标准差时达0.88
时间衰减因子
T i = e − λ ⋅ Δ t T_i = e^{-\lambda \cdot \Delta t} Ti=e−λ⋅Δt
其中：
- Δ t \Delta t Δt：当前时间与评价时间的差值（以月为单位）
- λ \lambda λ：衰减系数
示例效果：推荐值为0.02，半衰期为3年
- 1月前评价：0.98
- 1年前评价：0.79
- 3年前评价：0.56
社区反馈权重
V i = 1 2 ( v i v m a x + v i v i + v q ) V_i =\frac{1}{2}(\sqrt{\frac{v_i}{v_{max}}} + \frac{v_i}{v_i + v_{q}}) Vi=21(vmaxvi+vi+vqvi)
其中：
- v i v_i vi：该评价被赞同数
- v m a x v_{max} vmax：当前书籍的最高单条评价赞同数
- v q v_q vq：抗噪调节参数（推荐取10）
设计原理：
- 第一项保证头部评价的显著性
- 第二项防止零赞同评价被完全忽视
算法说明
-
动态适应性：
- 每小时自动更新 h a v g h_{avg} havg和 h s t d h_{std} hstd
- 每天更新 v m a x v_{max} vmax值
- 每月重新计算所有 Δ t \Delta t Δt
-
鲁棒性保障：
设置权重下限 w m i n = 0.2 w_{min}=0.2 wmin=0.2防止过度衰减
对刷赞行为设置 v i v_i vi上限（如当日突增超均值3σ，则动态降低到该书评计算得出社区权重的20%）
-
冷启动方案：
新用户默认 A i = 0.6 A_i=0.6 Ai=0.6
新书籍首月时间递减参数 λ \lambda λ降为0.01，三个月后改为0.02
起始平均分 μ \mu μ选取优书网所有书籍加权平均 μ = ∑ i = 1 n 该书籍评价人数 所有评价人数 ⋅ 该书籍评分 ∑ i = 1 n 该书籍评价人数 所有评价人数 \mu=\frac{\sum_{i=1}^{n}\frac{该书籍评价人数}{所有评价人数} \cdot 该书籍评分}{\sum_{i=1}^{n}\frac{该书籍评价人数}{所有评价人数}} μ=∑i=1n所有评价人数该书籍评价人数∑i=1n所有评价人数该书籍评价人数⋅该书籍评分
最终分数映射
N x = N max − N min O max − O min × ( O x − O min ) + N min N_{x}=\frac{N_{\max}-N_{\min}}{O_{\max}-O_{\min}}\times(O_{x}-O_{\min})+N_{\min}\quad Nx=Omax−OminNmax−Nmin×(Ox−Omin)+Nmin
其中：
- N m a x = 10 N_{max}=10 Nmax=10
- N m i n = 1 N_{min}=1 Nmin=1
- O m a x = 5 O_{max}=5 Omax=5
- O m i n = 1 O_{min}=1 Omin=1
即： N x = 9 4 × ( O x − 1 ) + 1 N_{x}=\frac{9}{4}\times(O_{x}-1)+1 Nx=49×(Ox−1)+1
注：保留两位小数，少于二十人评分建议不显示
点赞和点踩说明
- 点赞和踩都得花费签到得到的代币，最终显示赞值(负值显示为0，保留值)为： 点赞量 − 点踩量 点赞量-点踩量 点赞量−点踩量
- 首页书评排名算法：Reddit 排名算法
算法说明
s c o r e = l o g 10 ( z ) + ( y ⋅ t 45000 ) score= log_{10}(z) + (\frac {y \cdot t} {45000}) score=log10(z)+(45000y⋅t)
其中：
-
t = 发帖时间 - 2005年12月8日7:46:43
Reddit用发帖时间与成立时间的差值来表示t，单位为秒。帖子越新，t值越大，得分就越高。因此，最新的帖子相对较旧的帖子有更高的排名优先权。
-
x = 赞成票 - 反对票
这个值反映了帖子总体的支持度。显然，赞成票多于反对票的帖子更容易排在前列。
-
y = +1 或 -1
如果赞成票多于反对票，y取+1，反之则取-1，代表帖子是否整体受欢迎。
-
z = |赞成票 - 反对票|
受欢迎程度反映了投票差的绝对值，即z越大，表示帖子越受欢迎或越被厌恶。