推荐系统1.0—满足群体需要的经验算法

互联网发展的早期，信息如何分布如何展现在内容网站一直都是比较重要的问题；人们在历史经验的基础上将经验算法化来对内容进行排序，而解决的是绝大部分用户在网站上的体验（因为影响因子是群体数据）。

举例投票型网站

影响因素：投票行为和时间

P是赞成票数  T是发布时间  G是衰减系数

其他常数是场景优化的参数

可以看到随着时间的衰减，相同时间赞成票越多的内容热度高；

场景优化

某些产品不仅有赞成，也有反对；这个时候我们可能就需要通过差值（P）来表现内容的优劣。而且投票方向(P正负)会影响时间因子对整体得分的影响方向（差的应该比好的衰减快）

如果担心样本数据的基数对分值的影响（基数越大，越有参考性），还要对P的系数进行调整，基数越大，P的权重越大

有些时候我们担心马太效应，会对差值log来调整高额时的影响幅度（赞成票到一定程度影响不会特别大了）。

所有的这些都是我们通过历史经验对结果进行预期，什么是好的，什么对有影响，什么对结果的影响比较大都会体现在公式中