内容热门度怎么量化?

这道题其实是在问，怎么用一个数字把内容的热度量化出来，同时还要平衡时效性和泛化能力。如果只盯着一个指标，很容易出问题。

先说基础指标，无非是点击、互动、转化这几类。但单独用它们都不够，比如纯看点击量，老内容永远占优，新内容上不来。所以核心是加时间衰减。我通常会用一个指数衰减模型：H(t) = Σ(w_i × behavior_i) × e^(-λ·Δt)。λ是关键参数，新闻类λ要设大，几个小时就冷下来；UGC内容像博客、视频，λ小一点，热度能持续几天。这个模型简单，但有个问题，如果内容刚发布时互动很少，衰减后一下子就到底了，所以我会加一个基础热度兜底。

具体落地时，场景不同策略差别很大。比如实时热榜，像微博热搜，用[[滑动窗口]]加增量更新，窗口设5分钟或1小时，避免全量重算。稳定排序像知乎日报，用多日加权平均，平滑波动。这里有个边界：实时榜单适合短生命周期内容，稳定排序适合长尾内容。真正做排序系统时，我通常两个都算，然后根据内容类型动态融合。

再一个，全局热门和圈层热门得分开。比如一个二次元视频在B站全局热度不高，但在二次元圈子里很火。所以我会结合用户画像，用[[Embedding]]做分层热度，或者简单点，先算全局分，再乘以一个圈层相关性系数。

落地时最大的风险是刷量。常见失败场景是上线后热门榜被机器人刷爆，比如一个低质量帖子因为刷了点赞冲上首页。我的做法是：对每个行为加置信度权重，比如新用户的行为权重低，同IP下的操作降权。同时做异常检测，用滑动窗口统计行为分布，偏离均值太多就临时降权。前提是日志系统要能实时拿到行为流，否则检测滞后就没意义了。

还有一个点值得细想：当内容既有高时效性又有高互动时，比如一个突发新闻，衰减模型可能反应慢了半拍。这时候我会考虑用牛顿冷却定律的变体，写成H_now = H_prev × e^(-α·Δt) + ΔH_new，这样新互动能立刻拉升热度，同时旧热度自然冷却。这个模型在实时流式更新时特别好用，但需要精确控制α，否则热点容易过冲。

总的来说，我更倾向于把热门度看作排序的一个特征，而不是唯一决定因素。最终线上我会跟相关性、个性化分数做加权融合，并且持续监控冷启动内容的曝光占比，防止马太效应。