Reddit 評論排名演算法

來源：標點符

這篇文章介紹了Reddit的排名演算法，今天繼續上一篇文章，需要學習的是Reddit的評論排名演算法。與文章新聞類排名不同的是，評論類的演算法可能發表時間沒有什麼關係。

目前很多網站採用的評論排名主要有兩種，即絕對好評數（好評減去差評）和好評率（好評/總評）。這兩種評價方式 都存在很明顯的缺陷，以下為事例：

●A:好評550;　差評450

●B:好評60；差評40

●C:好評1；差評0

●D:好評9，差評1

首先是A與B比較，A的絕對好評數是550-450=100，B的絕對好評數是60-40=20，從絕對好評數比較，A的排名應該在B的前面；A的好評率為550/（450+550）=55%，B的好評率為60/（40+60）=60%，從好評率來說B的排名要比A的排名好。

再來比較下C與D，從好評率出發，C的好評率為100%，而D的好評率為9/（1+9）=90%，單純從資料上看D的排名要比C的排名落後。對於評論排名上述的方法是否是我們所需要的呢？這樣的計算才能更好的體現評論價值？正確的排名演算法應該是怎樣的？

我們先做如下設定：

1、每個使用者的投票都是獨立事件。

2、使用者只有兩個選擇，要麼投好評，要麼投差評。

3、如果投票總人數為n，其中好評為k，那麼好評率p就等於k/n。

如果你熟悉統計學，可能已經看出來了，p服從一種統計分佈，叫做“兩項分佈”（binomial distribution）。

p越大，就代表這個專案的好評比例越高，越應該排在前面。但是，p的可信性，取決於有多少人投票，如果樣本太小，p就不可信。由於p服從”兩項分佈”，因此我們可以計算出p的置信區間。所謂“置信區間”，就是說，以某個概率而言，p會落在的那個區間。比如，某個產品的好評率是 80%，但是這個值不一定可信。根據統計學，我們只能說，有 95% 的把握可以斷定，好評率在 75% 到 85% 之間，即置信區間是[75%， 85%]。

通過上面的分析，我們就可以推斷出，如果要給一個評論進行排名，就需要考慮一下內容：

1、計算每個評論的”好評率”

2、計算每個”好評率”的置信區間（以 95% 的概率）。

3、根據置信區間的下限值，進行排名。這個值越大，排名就越高。

這樣做的原理是，置信區間的寬窄與樣本的數量有關。比如，A有 8 張贊成票，2張反對票；B有 80 張贊成票，20張反對票。這兩個專案的贊成票比例都是 80%，但是B的置信區間（假定[75%， 85%]）會比A（假定[70%， 90%]）窄得多，因此B的置信區間的下限值（75%）會比A（70%）大，所以B應該排在A前面。

置信區間的實質，就是進行可信度的修正，彌補樣本量過小的影響。如果樣本多，就說明比較可信，不需要很大的修正，所以置信區間會比較窄，下限值會比較大；如果樣本少，就說明不一定可信，必須進行較大的修正，所以置信區間會比較寬，下限值會比較小。

二項分佈的置信區間有多種計算公式，最常見的是“正態區間”（Normal approximation interval），教科書裡幾乎都是這種方法。但是，它只適用於樣本較多的情況（np > 5 且 n (1 − p) > 5），對於小樣本，它的準確性很差。

1927年，美國數學家 Edwin Bidwell Wilson 提出了一個修正公式，被稱為“威爾遜區間”，很好地解決了小樣本的準確性問題。Reddit 目前使用的是評論演算法就是基於威爾遜得分割槽間 (Wilson score interval)。具體程式碼片段可從開放的原始碼中找到，將其轉化成Python程式碼後：

使用到的威爾遜得分割槽間具體公式如下：

其中

●p 是好評率

●n 是總投票數

●Z (1-α/2) 表示對應某個置信水平的z統計量，這是一個常數，可以通過查表得到。一般情況下，在 95% 的置信水平下，z統計量的值為1.96。