Delicious 演算法

最直覺、最簡單的演算法，莫過於按照單位時間內使用者的投票數進行排名。得票最多的專案，自然就排在第一位。
例如，舊版的 Delicious，有一個"熱門書籤排行榜"，就是這樣統計出來的。它按照"過去 60 分鐘內被收藏的次數"進行排名。每過 60 分鐘，就統計一次。

• 優點
  簡單、容易部署、內容更新相當快；
• 缺點
  排名變化不夠平滑，前一個小時還排在前列的內容，往往第二個小時就一落千丈。

Hacker News 演算法

Hacker News是一個網路社群，可以張貼連結，或者討論某個主題。
每個帖子前面有一個向上的三角形，如果你覺得這個內容很好，就點選一下，投上一票。根據得票數，系統自動統計出熱門文章排行榜。但是，並非得票最多的文章排在第一位，還要考慮時間因素，新文章應該比舊文章更容易得到好的排名。
帖子的分計算公式：

其中，
　　P表示帖子的得票數，減去1是為了忽略發帖人的投票。
　　T表示距離發帖的時間（單位為小時），加上2是為了防止最新的帖子導致分母過小（之所以選擇2，可能是因為從原始文章出現在其他網站，到轉貼至Hacker News，平均需要兩個小時）。
　　G表示"重力因子"（gravityth power），即將帖子排名往下拉的力量，預設值為1.8，後文會詳細討論這個值。
從這個公式來看，決定帖子排名有三個因素：
第一個因素是得票數P。
在其他條件不變的情況下，得票越多，排名越高。

從上圖可以看到，有三個同時發表的帖子，得票分別為200票、60票和30票（減1後為199、59和29），分別以黃色、紫色和藍色表示。在任一個時間點上，都是黃色曲線在最上方，藍色曲線在最下方。
如果你不想讓"高票帖子"與"低票帖子"的差距過大，可以在得票數上加一個小於1的指數，比如(P-1)^0.8。
第二個因素是距離發帖的時間T。

從上圖可以看到，三根曲線的其他引數都一樣，G的值分別為1.5、1.8和2.0。G值越大，曲線越陡峭，排名下降得越快，意味著排行榜的更新速度越快。
知道了演算法的構成，就可以調整引數的值，以適用你自己的應用程式。
參考：https://blog.csdn.net/zhuhengv/article/details/50475685

Reddit 演算法

Python版原始碼排序如下：

#Rewritten code from /r2/r2/lib/db/_sorts.pyx

from datetime import datetime, timedelta
from math import log

epoch = datetime(1970, 1, 1)

def epoch_seconds(date):
    """Returns the number of seconds from the epoch to date."""
    td = date - epoch
    return td.days * 86400 + td.seconds + (float(td.microseconds) / 1000000)

def score(ups, downs):
    return ups - downs

def hot(ups, downs, date):
    """The hot formula. Should match the equivalent function in postgres."""
    s = score(ups, downs)
    order = log(max(abs(s), 1), 10)
    sign = 1 if s > 0 else -1 if s < 0 else 0
    seconds = epoch_seconds(date) - 1134028003
    return round(order + sign * seconds / 45000, 7)

話題排序演算法的數學描述如下圖：

線性時間收縮&多數投票增長

“踩”的影響
Reddit是少有的有“踩”的網站之一。你可以在程式碼中看到score被定義為：“頂”的票數-“踩”的票數。

“踩”的票數對於得到了很多“頂”和“踩”的話題的得分有著很大的影響。它們的得分比較低僅僅是因為得到了反對票。這可以解釋為什麼Kittens（和其他非爭議性的話題）的排名為何如此之高。：)

信心排序演算法（評論排名）

#Rewritten code from /r2/r2/lib/db/_sorts.pyx

from math import sqrt

def _confidence(ups, downs):
    n = ups + downs

    if n == 0:
        return 0

    z = 1.0 #1.0 = 85%, 1.6 = 95%
    phat = float(ups) / n
    return sqrt(phat+z*z/(2*n)-z*((phat*(1-phat)+z*z/(4*n))/n))/(1+z*z/n)

def confidence(ups, downs):
    if ups + downs == 0:
        return 0
    else:
        return _confidence(ups, downs)

信心排序使用了Wilson評分割槽間，數學描述如下：

上述公式中的引數定義如下：

• p指的是好評數
• n指的是投票總數
• zα/2 是（1-α/ 2）標準正態分佈分量

總結一下就是：

• 信心排序將投票看作是大家表決的統計抽樣計票
• 信心排序用85%的置信度來確定評論的排名
  投票越多，85%置信度下的評論的信心分數越接近真實分數
  威爾遜區間對於小樣本或者極端情況也具有良好作用
  Randall 在他部落格文章《信心排序是如何進行評論排序的》中舉了一個很好的例子：

如果一個評論有1票“頂”，0票“踩”，那麼它的“頂”就為100%，由於樣本資料太少，系統將會將它排在底部。
但是如果它有10個“頂”而只有1個“踩”的話，系統就可以有足夠的信心判定它應該排在那些有40個“頂”但是也有20個“踩”的評論（如果這個時候它得到了40個“頂”，那麼幾乎可以肯定它得到的“踩”小於20個）的前面。更好的是如果判斷錯誤（15%的概率），它很快會得到更多的資料，因此，資料少的評論出現在了頂部。
提交時間對評論排序沒有影響
提交時間對於信心排序演算法來說是無關緊要的（這一點和熱排序演算法還有Hacker 新聞排序演算法不同）。 評論排名靠的是信心分數和資料取樣——也就是說的到的票數越多，信心分數也就越精確。
觀察
我們用Randall的例子來觀察一下信心排序是如何對評論進行排序的：

從上圖你可以看到信心排序根本就不關心一個評論得到了多少票數，它關心的是“頂”的票數和總票數的比值。
內容源自：
https://www.oschina.net/translate/how-reddit-ranking-algorithms-work?print
http://amix.dk/blog/post/19588#How-Reddit-ranking-algorithms-work