面试题 · RAG
搜索「Embedding」匹配到口述回答，相关段落已展开。查看匹配内容 ↓
在搜索排序系统中，如何对内容的热门程度进行量化？请描述常见的热门度指标及其计算方式。
1. 基础行为指标
2. 复合热度计算
时间衰减模型（核心）：
H(t) = Σ(w_i × behavior_i) × e^(-λ·Δt)牛顿冷却定律变体：
H_now = H_prev × e^(-α·Δt) + ΔH_new适合实时流式更新，避免全量重算
3. 工程实践要点
| 场景 | 策略 |
|---|---|
| 实时热榜 | 滑动窗口（5min/1h）+ 增量更新 |
| 稳定排序 |
学习内容与项目面试，在同一条路上。
| 多日加权平均，降低波动 |
| 冷启动 | 内容质量分 + 作者历史热度兜底 |
4. 关键权衡
最终热门度通常作为排序特征之一，与相关性、个性化分数融合，而非单独决定排序。
建议系统学习该知识点
场景切入
假设你们做短视频推荐，用户刷到一条刚发的搞笑视频，过了两天你发现它还很火。你怎么给它的“热门程度”打分？会用哪些信号？
层层追问
搜索排序里，你觉得内容热度应该怎么衡量？……那如果只看总播放量，新内容是不是永远吃亏？……时间衰减具体怎么算？衰减系数怎么定？
直球架构
设计一个内容热门度量化方案，要能处理实时热点和经典内容。你会选哪些指标？时间衰减用牛顿冷却定律还是指数衰减？怎么工程实现？
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。