推荐系统 · 时间衰减公式怎么调参
日期: 2026-07-09 | 作者: sunxin（+ Cursor AI 结对讲解） 关联路线图:
推荐系统建设路线图.md §五 Phase 3+§六 Phase 4预计触发: ADR-019（画像聚合的时间衰减，P3 ✅ 已沉淀）/ ADR-020（热榜打分的时间衰减，P4 待沉淀）
TL;DR
- 推荐系统里到处都用"时间衰减"—— 热榜排序、用户画像、新旧内容平衡、消息 TTL —— 本质是告诉系统"越老的信息越不重要"。
- 业界最常用的公式只有 3 种：Hacker News 幂次衰减
1/(hours+2)^1.5、Reddit 对数衰减、指数衰减e^(-λt)。三者是"不同直觉"的数学化，选哪个要看你想让内容多久"失去竞争力"。 - 本项目选幂次衰减
^1.5：24h 前热度 ≈ 30%、48h 前 ≈ 15%、72h 前 ≈ 8% —— 与"帖子内容的现实半衰期约 1-2 天"匹配。 - 调参核心是"半衰期"直觉：不要盯着公式看，盯着"多久热度掉一半"这个人话指标 —— 反推公式参数。
- 不同场景要不同参数：热榜（快衰减）、画像（慢衰减）、消息触达（分档衰减）—— 一套参数打天下是典型错误。
目录
1. 场景：为什么"时间衰减"是推荐系统的心脏
1.1 一个反面例子
假设你做"热榜"，用最朴素的公式：
hot_score = like_count + favorite_count × 2 + comment_count × 3跑一周后你会发现：热榜永远是同几条帖子。原因显而易见 —— 一条 3 天前爆火的帖子累积了 5000 赞，新发的帖子怎么也追不上。
结果：新内容没曝光机会 → 用户觉得"没啥新东西" → 活跃度下降 → 内容生态死循环。
1.2 时间衰减的核心作用
时间衰减做的事：让老内容的分数随时间"自然掉出榜单"，给新内容让出位置。
理想效果：
- 新发布的帖子：起步分数低，但随时间累积互动能爬榜
- 爬到榜后：靠新增互动追赶时间衰减的下降
- 一旦互动增速放缓：分数快速下降，被更新的帖子挤下去
- 3 天/7 天后：即使互动数还在缓慢增加，也已经几乎不再上榜
这就是"热度"的正确物理含义：不是"总互动数"，而是"近期互动速率"。时间衰减是它的数学表达。
1.3 场景延伸：时间衰减在推荐系统的 4 大用途
| 用途 | 说明 | 衰减速度需求 |
|---|---|---|
| 热榜排序 | 让新内容有机会上榜（本笔记主场景） | 快（半衰期 12-24h） |
| 用户画像 | 用户最近的兴趣比 3 个月前的更重要 | 慢（半衰期 7-14 天） |
| 新老内容平衡 | 推荐流里控制"新内容比例"，避免只推老爆款 | 中（半衰期 24-48h） |
| 消息 TTL | 30 天前的通知自动过期 | 阶跃函数（0/1 硬截断） |
关键洞察：同一个项目在不同场景应该用不同的衰减参数，不能一套打天下。
2. 三种主流公式对比
2.1 Hacker News 幂次衰减
score = (P - 1) / (T + 2) ^ α
P: 点赞数 + 1（防止 0 分）
T: 帖子年龄（小时）
α: 衰减指数，Hacker News 用 1.8
+2: 让新帖子（T=0 时）不至于分数无穷大特点：
- 前期衰减快（0-6h 内下降明显）
- 中期趋于平缓（12-48h）
- 尾部慢（一周后仍有微弱余量）
曲线示意（α=1.5, +2, 权重 P=100）：
T=0h 分数=100/(2^1.5) ≈ 35.4 (100%)
T=1h 分数=100/(3^1.5) ≈ 19.2 (54%)
T=6h 分数=100/(8^1.5) ≈ 4.4 (12%)
T=12h 分数=100/(14^1.5) ≈ 1.9 (5.4%)
T=24h 分数=100/(26^1.5) ≈ 0.75 (2.1%)
T=48h 分数=100/(50^1.5) ≈ 0.28 (0.8%)为什么加 +2：避免新帖 T=0 时分母 = 0，分数飙到无穷大；+2 相当于"起跑时压 2 小时权重"，让新帖不至于一发就霸榜。
2.2 Reddit 对数衰减
score = log10(max(|P - N|, 1)) × sign(P - N) + seconds_since / 45000
P: 顶数
N: 踩数
sign: 顶多则 +1，踩多则 -1
seconds_since: 帖子发布后秒数
45000: ≈ 12.5 小时，用作时间权重特点：
- 顶踩用对数抑制"刷票"（10 万顶 vs 1 万顶只差 log10(10) = 1 分）
- 时间是线性加分而非衰减 —— 每 12.5 小时加 1 分
- 结果：新帖天然有优势（时间分持续累加），老帖必须靠更多顶超越
为什么 Reddit 采用：适合"讨论区"型内容 —— 观点被讨论几天是常态，一个好帖子 3 天后还有价值，用时间线性加分而不是衰减更符合场景。
为什么本项目不选：小红书/朋友圈型内容的"新鲜度"重要性远高于讨论型内容，Reddit 公式会让老爆款帖霸榜。
2.3 指数衰减（牛顿冷却）
score = P × e^(-λ × T)
P: 原始热度（互动加权和）
λ: 衰减率（大 → 掉得快；小 → 掉得慢）
T: 帖子年龄（小时）特点：
- 每单位时间衰减固定比例（严格半衰期）
- 数学最"纯粹"（对应牛顿冷却定律：温度差消散）
- 参数 λ 的直觉：半衰期 = ln(2) / λ ≈ 0.693 / λ
例：λ = 0.05 → 半衰期 ≈ 14 小时
为什么本项目不选：指数衰减尾部消失太快，一周前的老帖分数几乎为 0，无法保留"经典好帖"的长尾曝光机会；幂次衰减在这方面更宽容。
2.4 三者曲线对比
假设新帖 P = 100，画 168 小时（7 天）内的分数曲线：
分数(相对 T=0)
100% ┤●
│ ●
80% ┤ ●● 幂次 α=1.5
│ ●●●
60% ┤ ●●●●
│ ●●●●
40% ┤ ●●●●●●
│ ●●●●●●●●
20% ┤ ●●●●●●●●●●●●●●●
│ ●●●●●●●●●●●●●●
0% ┼──┬──┬──┬──┬──┬──┬──┬──┬──┬──┬──┬──┬──┬──┬──┬──▶
0 12 24 36 48 60 72 84 96 108 120 132 144 156 168 小时
指数 λ=0.05:
100% ┤●
│ ●
80% ┤ ●●
│ ●●
60% ┤ ●●
│ ●●●
40% ┤ ●●●
│ ●●●●
20% ┤ ●●●●●
│ ●●●●●●●●
0% ┼──┬──┬──┬──┬──┬──┬──┬──┬──┬──┬──┬──┬──┬──┬──┬──▶
（72h 后几乎归零）
Reddit（线性时间加分，无衰减）:
⬆持续增长（假设互动数不变，只算时间维度）结论：
- 幂次衰减：曲线软着陆，前期快落后期慢，符合"新鲜感"直觉
- 指数衰减：曲线硬着陆，短时间热点后完全冷却，适合"极速新闻"
- Reddit 线性：反向鼓励新内容，适合讨论型
社交内容平台几乎都选幂次衰减（HN / Reddit-except-Reddit / 微博 / Instagram / 抖音等），因为"新鲜感 + 长尾并存"是社交内容的典型形态。
3. 幂次衰减 1/(t+c)^α 的调参方法
3.1 三个参数各干嘛
score = interaction_weight_sum / (T + c) ^ α| 参数 | 作用 | 常见取值 | 直觉 |
|---|---|---|---|
interaction_weight_sum | 互动加权和（分子） | 因项目而异（见 §4） | 越大越"热" |
c | 起步保护常数 | 1-4 | 越大越保护"新帖不至于霸榜" |
α | 衰减指数（分母幂） | 0.8-2.0 | 核心调参 —— 越大衰减越快 |
3.2 用"半衰期"反推 α
半衰期：一个分数掉到原始 50% 所需的时间。
对幂次衰减 1/(t+c)^α：
掉到 50% ⇔ 1/(t_half + c)^α = 0.5 × 1/c^α
⇔ (t_half + c)^α = 2 × c^α
⇔ t_half = c × (2^(1/α) - 1)c=2 时的半衰期表：
| α | 半衰期（小时） | 24h 剩余 | 72h 剩余 |
|---|---|---|---|
| 0.8 | 3.7 h | 18% | 8.6% |
| 1.0 | 2.0 h | 7.7% | 2.7% |
| 1.5 ← 本项目 | 1.2 h | 2.1% | 0.4% |
| 1.8 (HN) | 1.0 h | 1.0% | 0.15% |
| 2.0 | 0.83 h | 0.66% | 0.075% |
注意：这里"半衰期"是纯衰减因子的半衰期。实际热榜里帖子分数下降更慢，因为分子（互动数）在持续增加。
换个更直观的问法："我希望一条 24h 前的帖子，除非新增互动比新帖多多少倍，才能保持在同榜位置？"
- α=1.0：24h 前的帖子需要新帖 13 倍的互动才能追上（1/0.077 ≈ 13）
- α=1.5：48 倍
- α=1.8：100 倍
- α=2.0：150 倍
本项目选 α=1.5 的理由：
- 一条 24h 前的帖子如果能吸引 50 倍于新帖的互动（比如爆款），仍值得让它保留 —— α=1.5 满足
- 一条 24h 前的帖子如果没有 50 倍热度，就该给新帖让位 —— α=1.5 会让它掉出榜
- 相比 HN 的 α=1.8（要求 100 倍），α=1.5 对老爆款更宽容，符合"生活分享类"内容的调性（微博/小红书都用 1.4-1.6 之间）
3.3 参数选择流程（面向不同产品阶段）
确定你想要的半衰期（用人话：多久后老内容基本失去竞争力）
- 突发新闻/直播：1-3 小时
- 热榜微博/微信朋友圈：12-24 小时（本项目）
- 长内容/深度好文：1-3 天
- 短视频（抖音/快手）：3-6 小时
反推 α（用 §3.2 表格 or 公式）
确定 c（起步保护）：
- c=0：新帖直接爆发，可能一发就霸榜
- c=2：新帖起步压 2 小时权重，前 2h 与已有 2h 帖打平
- c=4：更保守，避免"新帖靠僵尸粉一波流"
确定互动权重（下面 §4 项目落地部分详解）
上线一周后 A/B：对比几个 α 值下的"用户平均停留时间"、"人均点赞数"、"新用户次日留存"，选最优
3.4 常见错误
- ❌ α 太大（如 3.0 甚至 5.0）：几乎没有"热榜"效果，全站几乎只推刚发的帖子
- ❌ α 太小（如 0.3）：老爆款永远不掉，热榜死气沉沉
- ❌ c=0：新帖分数无穷大（一定要 c ≥ 1）
- ❌ 忘记规范化：不同类目的互动数量级差异大（美食帖平均 100 赞、政治帖 3 赞），必须按类目归一化再打分
4. 项目里的具体落地
4.1 P4 热榜打分公式（对应路线图 §六 §6.2.2 ③）
hot_score = (
like_count × 2 +
favorite_count × 3 +
comment_count × 2 +
view_count × 0.5
) / (hours_since_publish + 2) ^ 1.5关键设计：
- c = 2：新帖起步压 2 小时权重
- α = 1.5：24h 前的帖子需要 ~50 倍互动才能保持同榜位置
- 互动权重：
fav > comment ≈ like > view- fav 是"愿意保存"，最强意图 → 3
- comment、like 是"表态"，中等意图 → 2
- view 是"看过"，弱意图 → 0.5
- 不加 share（分享带社交性但主要看用户圈子而非内容质量）
Redis ZSet 存储：
Key: hot_posts:global
Type: ZSet
Score: hot_score (float)
Member: postId
刷新方式：HotPostRankingRefreshTask 每 5 min 全量重算 + AFTER_COMMIT 事件驱动增量为什么 c=2 而不是 HN 的 c=2：跟 HN 一样，因为经验值证明这个值最平衡（c=1 太激进、c=4 太保守）。
为什么 α=1.5 而不是 HN 的 1.8：本项目定位"生活分享 + 关注流"，不是"新闻聚合"，用户对"48 小时前的好内容"仍有兴趣，衰减稍缓一点更合适。
4.2 P3 用户画像的时间衰减（对应路线图 §五 §5.2.2）
score(user, category) = SUM over action in last_30d {
if action.target_category == category:
weight(action.action_type) / (days_since(action.action_time) + 1) ^ 0.5
}关键设计（跟热榜完全不同的参数）：
- T 用天，不用小时（画像半衰期以天为单位）
- α = 0.5（比热榜的 1.5 缓和得多，因为兴趣变化速度远慢于热度衰减）
- c = 1（防 T=0 时分母 0）
半衰期表（α=0.5, c=1）：
| 天数 T | 权重 | 保留率 |
|---|---|---|
| 0 | 1.0 | 100% |
| 7 | 0.35 | 35% |
| 14 | 0.26 | 26% |
| 30 | 0.18 | 18% |
为什么画像用 α=0.5 而热榜用 α=1.5：兴趣是长期属性，一个月前的兴趣仍有 18% 参考价值；热度是即时属性，一个月前的热点基本无关。同一个数学工具（幂次衰减），不同场景配不同参数。
4.3 消息 TTL（用阶跃函数而非衰减）
expiresAt = createdTime + 30 天
isExpired() = LocalDateTime.now().isAfter(expiresAt)为什么消息不用衰减：消息是"要么显示、要么不显示"的二元态，没有"半可见"这种中间态。硬截断即可。
4.4 参数集中管理建议
Phase 4 完成时建议把所有时间衰减参数收敛到 RecommendConfig 配置类：
@ConfigurationProperties(prefix = "recommend.decay")
public class DecayConfig {
// 热榜
private double hotAlpha = 1.5;
private double hotBase = 2.0;
private Map<String, Double> hotInteractionWeights = Map.of(
"like", 2.0, "favorite", 3.0, "comment", 2.0, "view", 0.5
);
// 画像
private double profileAlpha = 0.5;
private double profileBase = 1.0;
private Map<String, Double> profileInteractionWeights = Map.of(
"view", 1.0, "comment", 2.0, "like", 3.0, "share", 4.0, "favorite", 5.0
);
}好处：
- A/B 调参不改代码（配置中心热更新）
- 未来上机器学习模型时，这些配置项就是模型初始化的基线特征权重
5. 教学收获
5.1 "调参"不是玄学 —— 有明确的推导路径
新手容易觉得"这些参数怎么定的？看起来很玄学"。实际推导流程：
业务目标（"我希望老帖多久失去竞争力"）
↓
数学化（"半衰期 = X 小时"）
↓
反推参数（用 §3.2 公式或表格）
↓
上线 A/B（用实际指标验证）
↓
调整（如果发现新帖曝光太多/太少）关键：先想业务目标，再挑数学工具，最后调参数。反过来（先看到别人用了什么参数就抄）容易走偏。
5.2 "同一个工具在不同场景要不同参数" 是通用启示
热榜 α=1.5 vs 画像 α=0.5：同一个数学工具，参数差 3 倍，因为业务本质不同。
延伸案例：
- 缓存 TTL：热数据 30 秒 vs 冷数据 30 分钟（同样是 TTL，差 60 倍）
- 重试间隔：网络抖动 100ms 指数退避 vs 支付回调 5 min 线性重试（同样是重试，策略完全不同）
- 超时时间：内网 RPC 100ms vs 外网 API 5s（同样是超时，差 50 倍）
教训：看到"同一个概念"不要以为"同一个参数"。参数是场景的函数，不是概念的函数。
5.3 数学公式是业务直觉的"翻译"
看到 1/(t+2)^1.5 这个公式，正确的思考不是"1.5 是什么魔法数"，而是翻译回业务：
1/...^1.5= 越老越弱(t+2)= 保护新帖不至于起点无穷大1.5= 衰减速度中等（12h 掉一半）
训练自己的能力：看到任何公式，能立刻用一句人话讲清楚它在业务上的含义。做不到就是没真正理解。
6. 附录
6.1 术语表
| 术语 | 说明 |
|---|---|
| 时间衰减 | 让老信息权重随时间自动下降的机制 |
| 半衰期 | 分数掉到 50% 所需的时间 |
| 幂次衰减 | 分母是"时间的幂次"（本项目采用） |
| 指数衰减 | 分母是"e 的时间次方" |
| 起步保护常数 | 幂次公式里的 +c，防止新帖分数爆炸 |
6.2 延伸阅读
- Hacker News Ranking Algorithm 源码：GitHub - HackerNews Firebase API 或搜"Y Combinator news.arc"
- Reddit Ranking Algorithm 分析：搜"Reddit hot ranking algorithm derivation"
- Nathan Marz 讲座《The Idealized Streaming System》—— 深入讲流处理里的时间语义
- 《数学之美》(吴军) 第 8 章 "布尔代数和搜索引擎的索引" —— 相似的"数学工具翻译业务" 的思维训练
6.3 关联决策
- ADR-020（P4 待沉淀）：本项目 P4 热榜采用幂次衰减
1/(t+2)^1.5+ 5 类互动加权 - ADR-019（P3 ✅ 已沉淀）：本项目 P3 画像采用幂次衰减
1/(d+1)^0.5+ 30 天窗口