个性化推荐太遥远，那列表综合排序该怎么做？
移动互联网的app，老板们都不知道信了哪里的邪魔歪道，总觉的自家的app不做点社区，不做个积分体系，不来个个性化推荐就真不是在做产品了…
但是数据量没有千万，谈个性化推荐真的是痴心妄想，推荐是需要训练的，没有数据何来推荐？？
有时想想，也怪不得每个老板心里都有一个个性化推荐的梦，毕竟今日头条仅凭算法，feed流中的广告做到个性化推荐，去年的年收入超过60亿，不眼红都不行！！
列表综合排序
吐槽完毕，说正事，个性化推荐或许还太遥远，但一个列表通过综合排序将优质的内容推荐给用户，还可以做到的。
下面来讲讲综合排序。
什么是综合排序？
举个栗子，我们逛淘宝输入“栗子”，会出来一堆的东西，我们看到的是一个列表页面
淘宝“栗子”
如果我们点击“按价格排序”，那么我们就选中了一个维度，按照这个维度，将所有的结果进行了降序排序。
按价格倒序排序
而综合排序就是综合的多个维度，例如
· 广告维度（卖家买了广告位，买了直通车，当然放前面了）
· 活动维度（参加了双11的卖家，排名自然靠前）
· 宝贝价格
· 宝贝销量
· 店铺信誉
· 上架时间
· 热度（可能和页面PV，或收藏等有关，这里脑洞举例下，没有考察过）
等等
综合排序是如何做到将多个维度综合最终得出排序的呢？
排序的可以简单的分为两种
1. 多维度分别单一排序
2. 按总分值进行排序
1.多维度分别单一排序
即按照A维度降序或升序排序（以下均假设为降序）；
当A维度相同的情况下，再按照B维度降序排序；
当B维度相同的情况下，再按照C维度降序排序；
……
依次直到最后一个维度，如果还相同，这时候就要看是随机排序，还是按照唯一不重复的值进行排序。
这样下来，我们就得到的一个排序的结果了。
这种排序适合维度对结果影响非常明显的情况，或者维度较少的情况。
例如淘宝中按照价格进行降序排序，这时候维度仅仅是价格吗？
价格相同的拍排序
肯定不是，当价格相同的时候，如何排序？
假设取的是上架时间排序，上架时间越晚，排的越前（仅脑洞下）；
当上架时间又一样怎么办？
再脑洞下，上架时间也相同时，按产品的ID倒序排序，因为产品的ID一定是不同的。
这样就完成了按价格排序。
上述的多维度分别单一排序仅适合维度较少，或者场景不复杂的情况。
但维度一多的时候，特别是不同维度之间并没有绝对的我比你重要，你比他重要的关系，用多维度单一排序就非常不合适了。
2.按总分值排序
为了解决上述的问题，一般都采用按总分值进行排序。
即将维度赋予一定的权重，然后将不同的维度乘以权重再进行乘积或者累加。
总分=维度1*权重1 +或* 维度2*权重2 +或* 维度3*权重3 +或*……+或*维度N*权重N
不太好理解？别急，我们再举一个栗子
我们假设我们现在在使用在行的产品，我们要对在行上的专家进行排序。
（以下都是仅为了方便说明的脑洞，实际并非这种排序）
在行的综合排序
脑洞维度如下：
· 最近两周的预约该专家的人数
· 行家提供的服务历史购买人数
· 行家提供的服务的价格
· 服务的收藏人数
我们假设总分是60分
· 最近两周预约该专家的人数占权重20分
· 历史购买人数占权重20分
· 专家提供的服务的价格占权重5分
· 转发服务的收藏数占权重15分
那么一个行家的某个服务的分数=（最近两周预约该专家的人数）*15+（历史购买人数）*20+（专家提供的服务的价格）*5+（转发服务的收藏数）*15
桥到吗太…
如果按照上面的公式，直接进行计算的话，会出现问题。例如不同专家的价格不同，我们实际想要的是价格越便宜，那么排名越前。但是如果直接乘以价格，价格设的越高，分值越大，显然有问题。
这是为什么？
因为没有归一化处理啊，没有对比就没有伤害，为了排序，我们需要对比下。
对维度进行细分，给予不同的系数
拿两周预约该专家的人数这个维度来说，我们常用的处理的方式可以是
1）按照阶梯分段进行处理
例如
我们将0-300元划分为一个阶段，系数是1.0
300-500元，系数是0.8；
500以上，系数是0.6。
这样，我们对价格就能进行划分
2）按照百分比进行处理
例如将价格进行正序排序，前15%的系数是1.0
15%-50%的系数是0.8；
50%-100%的系数是0.6。
3）按照线性函数转化处理
公式=（A-min）/（max-min）
这样处理后，每个价格A都能得到一个百分比的值，价格越便宜，系数就越低，但这和我们的期望不符，需要再对公式根据业务需求进行调整。
4） 按照对数进行处理
取log(A)，也是一种将数值进行归一化处理的方式
5）按照公式进行处理
上述的线性函数转化和对数的处理，一般并不能直接得出结果，所以需要在基础上对公式进行处理；或者业务需要的曲线是对数函数，幂函数等，这时候就需要取相应的公式将值进行转化。
这里补充下，如果你是像我一样数学一般的话，那么多列出几组数据，再利用excel画出图表，通过图表自动生成趋势线和公式，这样就能快速的找到自己想要的公式了。
所以，最终公式
一个行家的某个服务的分数=（最近两周预约人数的系数）*15+（历史购买人数的系数）*20+（专家提供的服务的价格的系数）*5+（转发服务的收藏数的系数）*15
如果我们换一个角度去思考，我们会发现，我们的所谓系数实际可能看成是另一个小的总分，总分内的不同情况下对应的系数，实际也就是不同的小维度，系数值就是权重。
这样一想的话，系数下面可以再内嵌系数，内嵌的系数再内嵌下一个系数。公式就能按照业务的需要进行非常灵活的处理了。
例如还是刚刚行家的价格，我们可以取得前15%的行家价格，按照某个公式进行取分得出系数，15%-50%还是直接赋值0.8，50%-100%的再按照另外一个公式计算取得系数值。
综上，按总分值进行排序的，可以简单的理解为
总分=（维度A权重*归一化的系数值a） + or * （维度B权重*归一化的系数值b）+ or * …… + or *（维度N权重*归一化的系数值n）
以上就是综合排序的两种方式
1. 多维度分别单一排序
2. 按总分值排序
另外，值得一提的是，威尔逊算法(听起来很高大上)是一种常用来对用户投票的内容进行排序的方法，也属于总分值排序；
知乎目前采用的正是这种算法。
但初期知乎采用的却是非常简单的赞同比排序，这种排序会导致一个很明显的问题。
例如
A回答的点赞是50个，反对是2个，赞同比例96%；
B回答的点赞是2个，反对0个，赞同比例100%；
如果纯粹按照赞同比例进行排序的话，那么B回答就会在A前面，这显然不是我们希望的结果。
而威尔逊算法解决了这个问题。
威尔逊算法下的分值
由于目前我自己也没研究透，和这个主题相关且很实用，顺带分享下，点这里查看威尔逊算法
就先不装逼了，等我研究透了再写个文章细说下，逃了逃了…
