CmsKit 热度计算系统详解

本文档详细说明热度指数 (HotIndex) 的计算规则、应用场景和优化策略

📊 概述

定义

热度指数 (HotIndex) 是衡量内容受欢迎程度的综合指标，用于：

热门排序 - 实时展示平台热点内容
推荐排序 - 作为个性化推荐的质量信号
搜索排序 - MeiliSearch 搜索结果的排序权重
编辑特选 - 参考热度选择精选内容

🧮 计算公式

核心算法

HotIndex = (InteractionScore × 权重) + (RecencyScore × 权重) + (QualityScore × 权重)

其中：

1️⃣ 互动信号得分 (InteractionScore)

InteractionScore = (点赞数 × 1.0) 
                 + (评论数 × 2.0) 
                 + (书签数 × 1.5) 
                 + (浏览数 × 0.1)

权重说明:

互动类型	权重	说明
点赞	1.0	基础互动信号
评论	2.0	高质量互动，表示用户深度参与
书签	1.5	用户主动保存，表示价值评估
浏览	0.1	低价值信号，数量大但质量低

2️⃣ 新近度得分 (RecencyScore)

RecencyScore = 10 × exp(-λ × DaysOld)

其中：

λ = 0.05 (衰减系数)
DaysOld = 从发布到现在的天数
exp() = 指数函数

示例计算:

发布时间	DaysOld	RecencyScore	说明
1小时前	0.04	9.98	最新内容权重最高
1天前	1	9.51	一天衰减到 95%
7天前	7	7.07	一周衰减到 71%
30天前	30	2.23	一月衰减到 22%
90天前	90	0.11	三月基本无权重

时间衰减曲线:

热度权重
    ▲
   10│  ╱╲ ← 新内容高峰
    9│ ╱  ╲
    8│╱    ╲
    7│      ╲ ← 一周后跌至7
    6│       ╲
    5│        ╲ ← 递减趋势
    4│         ╲
    3│          ╲
    2│           ╰─ ← 一月后保持低值
    1│
    0└────────────────► 时间(天)
      0  7  14  21  28

3️⃣ 质量得分 (QualityScore)

QualityScore = (AvgRating × 2.0) 
             + (CommentSentiment × 1.0)
             + (EarlyEngagement × 0.5)

子指标:

子指标	权重	计算方法	说明
平均评分	2.0	(总星数 ÷ 评分数) × 2	用户显式反馈
评论情感	1.0	(正面评论数 - 负面评论数) / 总评论数	NLP情感分析
早期互动	0.5	(首24小时互动数 / 总互动数) × 10	初期反应速度

最终公式

HotIndex = (InteractionScore × 0.4) 
         + (RecencyScore × 0.4) 
         + (QualityScore × 0.2)

权重分配:

🔥 互动信号: 40% - 用户参与度最重要
⏰ 新近度: 40% - 新内容不能被淹没
⭐ 质量得分: 20% - 质量过滤，防止低质刷屏

📈 计算示例

场景: 新发布文章的热度演化

初始数据 (发布时刻):

发布时间: 2026-05-10 10:00:00
初始数据:
  - 浏览数: 10
  - 点赞数: 0
  - 评论数: 0
  - 书签数: 0
  - 评分: 无

计算:

InteractionScore = 0×1.0 + 0×2.0 + 0×1.5 + 10×0.1 = 1.0
RecencyScore = 10 × exp(-0.05 × 0) = 10
QualityScore = 0 + 0 + 0 = 0

HotIndex_T0 = (1.0 × 0.4) + (10 × 0.4) + (0 × 0.2) 
            = 0.4 + 4.0 + 0 
            = 4.4

1小时后的演化

实时更新数据 (11:00):

- 浏览数: 500
- 点赞数: 45
- 评论数: 12
- 书签数: 8
- 平均评分: 4.5 (10个用户)
- 早期互动占比: 95%

计算:

InteractionScore = 45×1.0 + 12×2.0 + 8×1.5 + 500×0.1
                 = 45 + 24 + 12 + 50
                 = 131

RecencyScore = 10 × exp(-0.05 × (1/24))  ≈ 9.98  ← 衰减微小

QualityScore = 4.5×2.0 + (12-0)/12×1.0 + 95%×0.5
             = 9.0 + 1.0 + 0.475
             = 10.475

HotIndex_T1 = (131 × 0.4) + (9.98 × 0.4) + (10.475 × 0.2)
            = 52.4 + 3.99 + 2.095
            = 58.485

结论: 一小时内热度从 4.4 增长到 58.485，增长约13倍！

7天后的稳定状态

数据累计 (7天后):

- 总浏览: 50,000
- 总点赞: 2,000
- 总评论: 500
- 总书签: 300
- 平均评分: 4.7

计算:

InteractionScore = 2000×1.0 + 500×2.0 + 300×1.5 + 50000×0.1
                 = 2000 + 1000 + 450 + 5000
                 = 8,450

RecencyScore = 10 × exp(-0.05 × 7)  ≈ 7.07  ← 衰减到71%

QualityScore = 4.7×2.0 + 1.0 + 0.3
             = 9.4 + 1.0 + 0.3
             = 10.7

HotIndex_T7 = (8450 × 0.4) + (7.07 × 0.4) + (10.7 × 0.2)
            = 3380 + 2.83 + 2.14
            = 3384.97

结论: 尽管互动数据增长10倍，但由于时间衰减，热度只增长58倍，证明新近度调节有效。

🔄 更新策略

计算触发点

触发事件	更新频率	说明
新互动（点赞/评论/书签）	实时	用户互动立即反映
审批通过	实时	发布时初始化热度
定时批量更新	每5分钟	处理时间衰减、聚合数据
MeiliSearch同步	每5分钟	搜索排序权重更新

实现方式

方式1: 事件驱动 (推荐)

// 用户点赞时
public async Task LikeArticleAsync(Guid articleId, Guid userId)
{
    var like = await _userLikeService.CreateAsync(articleId, userId);
    
    // 实时更新热度
    await _articleHotIndexService.UpdateHotIndexAsync(articleId);
    
    // 发送热度更新事件
    await _eventBus.PublishAsync(new ArticleHotIndexUpdatedEvent 
    { 
        ArticleId = articleId, 
        NewHotIndex = article.HotIndex 
    });
}

方式2: 后台任务 (定期批量)

// 每5分钟执行一次
public async Task RecalculateHotIndexesAsync()
{
    var articles = await _articleRepository.GetRecentArticlesAsync(days: 30);
    
    foreach (var article in articles)
    {
        var hotIndex = await _hotIndexService.CalculateAsync(article.Id);
        article.HotIndex = hotIndex;
        article.HotIndexUpdateTime = DateTime.UtcNow;
    }
    
    await _unitOfWork.SaveChangesAsync();
}

🎯 应用场景

1. 热门排序

API 端点:

GET /api/cms/articles/hot-rank-article-list?days=7&limit=20

查询逻辑:

SELECT TOP 20 * 
FROM cms_article 
WHERE IsDeleted = 0 
  AND AuditStatus = 2  -- Approved
  AND PrivacyType = 0  -- Public
  AND CreateTime >= DATEADD(DAY, -7, GETDATE())
ORDER BY HotIndex DESC

2. 推荐排序信号

推荐系统多信号融合:

RecommendationScore = (UserInteractionSignal × 0.5)
                    + (HotIndexSignal × 0.3)
                    + (ContentQualitySignal × 0.2)

3. 搜索排序权重

MeiliSearch 文档配置:

var settings = new IndexSettings
{
    RankingRules = new[]
    {
        "typo",
        "words",
        "proximity",
        "attribute",
        "sort",
        "exactness",
        "hotIndex:desc"  // ← 热度作为排序规则
    }
};

🚀 性能优化

优化1: 缓存策略

Redis 缓存:

var cacheKey = $"article:hotindex:{articleId}";
var cachedHotIndex = await _redis.GetAsync<double>(cacheKey);

if (cachedHotIndex == null)
{
    var hotIndex = await _hotIndexService.CalculateAsync(articleId);
    await _redis.SetAsync(cacheKey, hotIndex, TimeSpan.FromHours(1));
}

// 互动时标记缓存失效
await _redis.DeleteAsync($"article:hotindex:{articleId}");

优化2: 批量计算

避免单条计算瓶颈:

// ❌ 低效: N+1查询
foreach (var article in articles)
{
    article.HotIndex = await _hotIndexService.CalculateAsync(article.Id);
}

// ✅ 高效: 一次查询所有交互数据
var interactionData = await _interactionRepository
    .GetBatchInteractionStatsAsync(articleIds);

var hotIndexes = articles.Select(a => 
    _hotIndexService.Calculate(a, interactionData[a.Id])
).ToList();

优化3: 增量更新

只更新变化的数据:

// 仅在互动数据显著变化时更新
if (Math.Abs(newHotIndex - oldHotIndex) > 0.5)  // 变化>0.5才更新
{
    article.HotIndex = newHotIndex;
    article.HotIndexUpdateTime = DateTime.UtcNow;
    await _articleRepository.UpdateAsync(article);
}

⚙️ 参数调优

场景1: 促进新内容发现

目标: 让新内容尽快获得展示机会

参数调整:

λ (衰减系数) = 0.02  // 降低衰减速度，新内容权重保持更久
新近度权重 = 50%    // 提升新近度在总权重中的占比

场景2: 强化用户互动

目标: 鼓励用户评论、书签等深度互动

参数调整:

评论权重 = 3.0   // 提升评论权重（从2.0）
书签权重 = 2.0   // 提升书签权重（从1.5）
互动权重 = 50%   // 增加互动得分的总权重

场景3: 打击刷屏

目标: 防止机器人刷屏，保证内容质量

参数调整:

点赞权重 = 0.5        // 降低点赞权重
评论情感权重 = 2.0    // 重视评论质量（情感分析）
早期互动占比 = 0.8    // 严格要求初期互动速度

📋 监控指标

关键指标

指标	目标值	监控周期
平均热度指数	50-150	每小时
热度分布P95	< 500	每天
新内容首日热度增长	> 5x	每日
7天衰减率	70%	每周
热度排序稳定性	> 95%	每天

监控 SQL

-- 热度分布统计
SELECT 
    COUNT(*) AS TotalArticles,
    MIN(HotIndex) AS MinHotIndex,
    AVG(HotIndex) AS AvgHotIndex,
    PERCENTILE_CONT(0.95) WITHIN GROUP (ORDER BY HotIndex) AS P95HotIndex,
    MAX(HotIndex) AS MaxHotIndex
FROM cms_article
WHERE IsDeleted = 0 AND AuditStatus = 2

-- 新内容热度增长
SELECT 
    Id,
    Title,
    CreateTime,
    HotIndex,
    (SELECT COUNT(*) FROM cms_user_like WHERE SubjectId = ca.Id) AS LikeCount,
    (SELECT COUNT(*) FROM cms_comment WHERE SubjectId = ca.Id) AS CommentCount
FROM cms_article ca
WHERE CreateTime >= DATEADD(DAY, -1, GETDATE())
ORDER BY HotIndex DESC

🔍 常见问题

Q1: 为什么我的文章发布后热度不增长？

A: 检查以下几点：

文章是否通过审核 (AuditStatus = Approved)
文章隐私设置是否为公开 (PrivacyType = Public)
是否有用户互动（点赞/评论/书签）
热度计算服务是否正常运行

Q2: 为什么新文章突然热度下降？

A: 这是正常的时间衰减表现。热度随时间指数衰减，7天后衰减到70%。如果想保持热度，需要不断获得新的用户互动。

Q3: 热度可以手动修改吗？

A: 不建议手动修改。如需特殊处理（如编辑精选），应该使用 EditorIndex 字段而不是 HotIndex。

Q4: 如何防止热度刷屏？

A: 系统内置防护机制：

同一用户点赞同一文章仅计算一次
评论权重高于点赞，但需要通过审核
可配置权重降低点赞的影响

📚 相关文档

最后更新: 2026-05-10

📊 概述​

定义​

🧮 计算公式​

核心算法​

1️⃣ 互动信号得分 (InteractionScore)​

2️⃣ 新近度得分 (RecencyScore)​

3️⃣ 质量得分 (QualityScore)​

最终公式​

📈 计算示例​

场景: 新发布文章的热度演化​

1小时后的演化​

7天后的稳定状态​

🔄 更新策略​

计算触发点​

实现方式​

方式1: 事件驱动 (推荐)​

方式2: 后台任务 (定期批量)​

🎯 应用场景​

1. 热门排序​

2. 推荐排序信号​

3. 搜索排序权重​

🚀 性能优化​

优化1: 缓存策略​

优化2: 批量计算​

优化3: 增量更新​

⚙️ 参数调优​

场景1: 促进新内容发现​

场景2: 强化用户互动​

场景3: 打击刷屏​

📋 监控指标​

关键指标​

监控 SQL​

🔍 常见问题​

Q1: 为什么我的文章发布后热度不增长？​

Q2: 为什么新文章突然热度下降？​

Q3: 热度可以手动修改吗？​

Q4: 如何防止热度刷屏？​

📚 相关文档​

📊 概述

定义

🧮 计算公式

核心算法

1️⃣ 互动信号得分 (InteractionScore)

2️⃣ 新近度得分 (RecencyScore)

3️⃣ 质量得分 (QualityScore)

最终公式

📈 计算示例

场景: 新发布文章的热度演化

1小时后的演化

7天后的稳定状态

🔄 更新策略

计算触发点

实现方式

方式1: 事件驱动 (推荐)

方式2: 后台任务 (定期批量)

🎯 应用场景

1. 热门排序

2. 推荐排序信号

3. 搜索排序权重

🚀 性能优化

优化1: 缓存策略

优化2: 批量计算

优化3: 增量更新

⚙️ 参数调优

场景1: 促进新内容发现

场景2: 强化用户互动

场景3: 打击刷屏

📋 监控指标

关键指标

监控 SQL

🔍 常见问题

Q1: 为什么我的文章发布后热度不增长？

Q2: 为什么新文章突然热度下降？

Q3: 热度可以手动修改吗？

Q4: 如何防止热度刷屏？

📚 相关文档