1. 你们项目中热点推荐算法的应用场景是什么？主要解决了什么问题？
答案：
在我们的 web-company 前端项目中，热点推荐算法主要用于为用户推荐当前最受欢迎的产品或新闻。例如，在首页、推荐区等模块，展示“热门产品”或“热门新闻”。
热点推荐解决了新用户冷启动、内容曝光不均等问题，能够让优质内容获得更多展示机会，也提升了用户的活跃度和留存率。
2. 你们是如何定义“热点”内容的？热点推荐的计算逻辑是什么？
答案：
我们定义“热点”内容主要基于以下几个指标的加权：
- 浏览量（view count）
- 点赞数（like count）
- 收藏数（favorite count）
- 发布时间（越新权重越高）
在后端（如web-server/controllers/web/ProductController.js或NewsController.js），会定期统计这些指标，并通过加权公式（如 热度 = 浏览量 * 0.5 + 点赞数 * 2 + 收藏数 * 3 + 新鲜度分数）计算出每个内容的热度分值，按分值排序后返回给前端。
3. 热点推荐的数据是如何采集和更新的？前后端如何配合？
答案：
- 数据采集：前端在用户浏览、点赞、收藏等操作时，通过 API（如
src/api/viewRecord.ts、like.ts、favorite.ts）将行为数据上传到后端，后端存储在数据库中（如ViewRecordModel.js、LikeModel.js、CollectionModel.js）。 - 数据更新：后端定时任务或在用户行为发生时实时更新内容的热度分值。
- 前后端配合：前端页面（如首页、推荐区）通过接口（如
/api/hot-products、/api/hot-news）获取最新的热点内容列表并展示。
4. 你们是如何防止热点推荐被刷榜或作弊的？
答案：
- 对同一用户的重复行为（如短时间内多次浏览、点赞）做去重或限流处理。
- 对异常流量（如爬虫、批量操作）进行检测和过滤。
- 在热度计算时，对权重做衰减处理，防止单一指标（如刷浏览量）影响过大。
- 在后端（如
middleware/BruteForceProtection.js）有防刷机制，保障热点推荐的公正性。
5. 热点推荐和协同过滤推荐在你们项目中的区别和结合方式是什么？
答案：
- 区别：热点推荐是基于全站用户行为的内容热度，适合新用户和冷启动场景；协同过滤是基于个体用户兴趣的个性化推荐，适合有一定行为数据的用户。
- 结合方式：在首页、推荐区等场景，先展示热点内容，再根据用户兴趣补充个性化推荐。对于新用户，优先展示热点；对于老用户，热点和个性化推荐结合，提高推荐的多样性和相关性。
