机器学习来做排名运营机器人，做内容排名推荐。时间衰减 t, t^2、用户评价、VIP用户推荐、专家用户推荐(用户加权评价，每个用户权重不同）、分词,话题,信息熵机器学习估算、编辑推荐。
算法评价标准即是运营指标：用户收藏率、点赞率、评价率、转发率、浏览时长、打开次数。
参考文章：
www.cricode.com/2374.html
极客头条是通过什么算法将来进行排名的呢？
答案是：基于用户投票的排名！该算法在数据挖掘领域有这广泛的应用。
基于用户投票的排名算法有多种，下面我们先来介绍各种基于用户投票的排名算法，并最终给出极客头条可能使用的一种排名算法。
排名算法一：Delicious算法
Delicious算法是最简单也是最直观的一种用户投票排名算法：它按照”过去 60 分钟内被收藏的次数”(也就是极客头条中的“顶”按钮)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；缺点是排名变化不够平滑，前一个小时还排在前列的内容，往往第二个小时就一落千丈。
排名算法二：Hacker News算法
Hacker News算法由Paul Graham(此人著有《黑客与画家》一书，名震江湖)设计实现，它通过计算每篇文章的得分来进行排名。
计算公式如下：
“ S c or e ” = P - 1 ( T + 2 ) G " role="presentation">“Score”=P−1(T+2)G “ S c or e ” = P - 1 ( T + 2 ) G
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
因此，决定一个文章排名的因素主要有三个：得票数P、距离发帖的时间T、重力因子G。其中G在实现中可以进行适当调整，得到一个理想的经验值，从而保证该推荐算法的准确性！
Hacker News算法的特点是用户只能投赞成票，不能投反对票！对于一些需要正反观点的网站，Hacker News并不适用。
这个算法的特点是不是有点像极客头条的运作方式了？别急，接着往下看。
详细介绍：Hacker News算法
算法三：Reddit算法
顾名思义，这个算法是由美国社交新闻网站Reddit提出的。该算法相对于Hacker News算法来说更加复杂，支持正反投票。该算法考虑了如下几个因素：
1）帖子的新旧程度t
2）赞成票与反对票的差x
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）帖子的受肯定程度z：z 表示赞成票超过反对票的数量。如果赞成票少于或等于反对票，那么z就等于1
综合以上四个因素看，Reddit算法似乎比Hacker News算法算法更合理、更靠谱！但是，请继续往下看！
详细介绍：Reddit算法
算法四：Stack Overflow算法
看到这个名字，大家是不是很眼熟？就是那个大名鼎鼎的网站Stack Overflow，世界排名第一的程序员问答社区。
Stack Overflow算法的作用是，找出某段时间内的热点问题，即哪些问题最被关注、得到了最多的讨论。该算法主要考虑如下几个因素：
Qviews（问题的浏览次数）
Qscore（问题得分）和 Qanswers（回答的数量）
Ascores（回答得分）
Qage（距离问题发表的时间）和 Qupdated（距离最后一个回答的时间）
Stack Overflow算法是专门针对热点问题进行排名而设计的算法。最终的排名与参与度（Qviews 和 Qanswers）和质量（Qscore 和 Ascores）成正比，与时间（Qage 和 Qupdated）成反比。
详细介绍：Stack Overflow算法
算法五：牛顿冷却定律
“牛顿冷却定律”描述起来非常简单，用一句话概况就是：物体的冷却速度，与其当前温度与室温之间的温差成正比。
其基本思路如下：
我们把”热文排名”想象成一个”自然冷却”的过程，那么有如下几点成立：
（1）任一时刻，网站中所有的文章，都有一个”当前温度”，温度最高的文章就排在第一位。
（2）如果一个用户对某篇文章投了赞成票，该文章的温度就上升一度。
（3）随着时间流逝，所有文章的温度都逐渐”冷却”。
接下来，我们需要做的事是，把上面三句话抽象成一个数学模型，便得到牛顿冷却定律排名算法。
详细介绍：牛顿冷却定律
算法六：威尔逊区间(数学来了，你准备好了吗？)
威尔逊区间排名算法是一个完全基于概率统计的排名算法。算法基于如下假定：
（1）每个用户的投票都是独立事件。
（2）用户只有两个选择，要么投赞成票，要么投反对票。
（3）如果投票总人数为n，其中赞成票为k，那么赞成票的比例p就等于k/n。
基于上述假定，得到威尔逊区间排名算法步骤如下：
第一步，计算每个项目的”好评率”（即赞成票的比例）。
第二步，计算每个”好评率”的置信区间（以 95% 的概率）。
第三步，根据置信区间的下限值，进行排名。这个值越大，排名就越高。
这样做的原理是，置信区间的宽窄与样本的数量有关。比如，A有 8 张赞成票，2张反对票；B有 80 张赞成票，20张反对票。这两个项目的赞成票比例都是 80%，但是B的置信区间（假定[75%， 85%]）会比A（假定[70%， 90%]）窄得多，因此B的置信区间的下限值（75%）会比A（70%）大，所以B应该排在A前面。
置信区间的实质，就是进行可信度的修正，弥补样本量过小的影响。如果样本多，就说明比较可信，不需要很大的修正，所以置信区间会比较窄，下限值会比较大；如果样本少，就说明不一定可信，必须进行较大的修正，所以置信区间会比较宽，下限值会比较小。
“威尔逊区间”排名算法解决了投票人数过少、导致结果不可信的问题。
详细介绍：威尔逊区间排名算法
算法七：贝叶斯平均(大神出没)
程序员必须知道的10个基础算法及其讲解一文中，我们就介绍了贝叶斯概率。
“威尔逊区间”能解决了投票人数过少、导致结果不可信的问题，例如如果只有 2 个人投票，”威尔逊区间”的下限值会将赞成票的比例大幅拉低。这样做虽然保证了排名的可信性，但却带来了另一个问题：排行榜前列总是那些票数最多的项目，新项目或者冷门的项目，很难有出头机会，排名可能会长期靠后。
贝叶斯平均排序算法考虑了如下几个因素：
1）C，投票人数扩展的规模，是一个自行设定的常数，与整个网站的总体用户人数有关，2）可以等于每个项目的平均投票数。
3）n，该项目的现有投票人数。
4）x，该项目的每张选票的值。
5）m，总体平均分，即整个网站所有选票的算术平均值。
这种算法被称为“贝叶斯平均”（Bayesian average）。因为它借鉴了“贝叶斯推断”（Bayesian
inference）的思想：既然不知道投票结果，那就先估计一个值，然后不断用新的信息修正，使得它越来越接近正确的值。
上述几个因素中的m（总体平均分）是”先验概率”，每一次新的投票都是一个调整因子，使总体平均分不断向该项目的真实投票结果靠近。投票人数越多，该项目的”贝叶斯平均”就越接近算术平均，对排名的影响就越小。
因此，这种方法可以给一些投票人数较少的项目，以相对公平的排名。
详细介绍：贝叶斯平均
好了，几种有名的基于用户投票的排名算法介绍完了，上述算法看起来是一个比一个靠谱，用起来是一个比一个难用！
回到本文的题目，如果是你来实现这个排名算法你会采用哪一种呢？极客头条究竟采用了哪种排名算法？
根据本人有限的知识体系，极客头条的排名方法很有可能就是Stack Overflow算法的一个具体应用。
结合本文介绍的算法，以下是本人对于极客头条产品设计实现的几点思考，路过的高手见笑了！
第一：采用Stack Overflow算法进行推荐排名，并根据自身的特点进行适当的修改简化。
理由主要有两点：
1）从表面上看，极客头条该算法主要参考的因素为发布时间、用户赞成数、评论数目、点击数目(很有可能极客头条也将点击数目加入了考量，这个无法肯定)。
2）Stack Overflow算法相对比较简单，易于实现调优。事实上简单的算法往往能达到最好的效果，这就是所谓的大道至简吧！
有兴趣的可以看这篇文章：Google 阿卡 47 的制造者阿米特.辛格博士，体验一下大道至简！
第二：为什么极客头条不设置”踩”按钮？
这是因为，如果将反对按钮一加进来，排名结果立马变得不可控，效果会马上变差。主要原因是，不排除有个别投机分子，会将极客头条当做导流量的渠道(或者仅仅是出于好玩，随便一踩)，一旦有作弊的情况，比如出现刻意踩别人的文章，顶自己的文章，问题将变得麻烦，推荐效果也就难以保障了。去掉反对按钮后，问题会简单很多。关于作弊的问题，有兴趣的可以看这篇文章：闪光的不一定是金子——谈谈搜索引擎作弊问题(Search Engine Anti-SPAM)
第三：极客头条可以开放一个管理员权限，管理员能够人为将文章置顶，让排名算法结果适当受人工控制，而不是全自动化。机器，在目前的情况下，还不能完全替代人类，尤其在内容编辑方面。
第四：如果人力物力允许，可以将机器学习应用到排名上来，实现一个更加智能的排名算法。
想象一下这个场景：在三分钟之内同时有50篇文章被提交审核通过(事实上，这应该有可能，因为极客头条的编辑就有30个之多)。假设在几分钟内，没有生成点赞数据和评论数据，那么，算法就只能按时间来排序了，仅仅按时间排序，效果肯定不尽如人意。
一个可能的解决方案是：根据以往的极客头条数据，统计出一些受欢迎的主题、关键字等信息，建立一个数学模型。当同时有大量新文章到来时，先对新文章进行分词，再根据这个数学模型，对每篇文章进行评分，按得分排行。当然，可以考虑文章来源，对于可靠的文章来源，可以给予更高的评分，例如：伯乐网、CSDN、快课网(this
is a kidding)等等网站。
