Youtube 提供两种排序选项：最新优先和热门 cmets。 “最新优先”非常简单，我们只需按发布日期对 cmets 进行排序。但“Top cmets”似乎比仅按“点赞”排序要复杂得多。
经过短暂的研究，我发现 cmets 的顺序取决于那些东西：
但我不知道 Youtube 是如何使用这些信息来决定顺序的，比如哪些信息更重要，哪些信息不那么重要。
有没有关于这个话题的文章可以参考？
谢谢！
【问题讨论】：
标签： algorithm sorting youtube weighted-average
我有你的问题的答案。
在互联网上搜索了这个问题的答案后，我一直没有找到我想要的东西。因此，我和我的同事决定尝试将系统与 Youtube cmets 一起使用。
首先，我们将我们认为受欢迎的视频分类到一个部分，将普通视频分类到另一个部分，将不太受欢迎的视频分类到最后一个部分。每个部分有 200 个视频，经过几天的检查，我们开始注意到一种模式。我们发现您对所需的三件事是正确的，但我们也更深入地研究并发现了一个额外的变量。
Youtube 评论系统依赖于四件事：
1) 发布时间，
2) 评论的喜欢/不喜欢比率，
3) 回复数，
4) 而且，不管你信不信，WHO 发布了它。
您曾经发布过的每条公共评论的平均喜欢/不喜欢比率都包含在其中，因为（我们预测）他们认为喜欢/不喜欢比率低的人会发布那么多的 cmets人们不喜欢或根本不同意。
它有一个算法，它比你想象的要简单得多。基本上有这些东西，我们称之为“模块点”，你会根据这四个因素得到一个。首先，以下是您需要了解的关于模块点转换的两个因素：
对于评论的喜欢/不喜欢比率，将该数字乘以十。
对于评论的回复量（不是来自原始发布者），有两个模块点。
这是决定评论模块点数的两个基本因素。
例如，如果评论有 27 个喜欢和 8 个不喜欢，那么比率将为 3.375。乘以 10，您将获得 33.75 个模块点。使用下一个因素，回复数量，假设这条评论有 4 条直接回复。将 2 乘以 4，我们得到 8。这是在累积模块点数上加 8 的部分，总共有 41.75 个模块点。
但我们还没有在这里完成；这就是棘手的地方。
使用一个人公开发布的总 cmets 的平均喜欢/不喜欢比率，我们发现添加到累积模块点的公式是这样的：
C = MP(R/3) + (MP/10)
where C = Comment Position Variable; MP = Module Points; R = Person's total like/dislike ratio
相信我，我们只在这部分上花费了 DAYS 天，这可能是最令人沮丧的。尽管这个方程中的 3 和 10 看起来是随机的和不必要的，但到目前为止，我们测试这个方程的所有 cmets 都通过了测试，但是当这两个变量被移除时没有通过测试。等式完成后，它会为您提供一个我们命名为位置变量的数字。
然而，我们还没有说完，我们还没有谈到time。
实际上我很惊讶这部分没有像我预期的那么长，但是对于我们测试的每条评论，每次都做这个等式确实很痛苦。起初，在测试它时，我们认为如果 2 个 cmets 具有相同的位置变量，那么就可以打破障碍。
事实上，当这种情况发生时，我几乎称它为实验的总结，但经过进一步检查，我们发现还有更多工作要做。我们发现，一些具有相同位置变量的 cmets 的排名比彼此高，但时间似乎是随机的！经过几天的检查，最终结果如下：
在应用第四个变量之前，我们还必须找到另一个方程。使用另一个单独的等式，我们的代数推论可以归结为：
X = 1/3(S/10 + A) x [absolute value of](A - 3S)
where X = Timing Variable; S = How long ago the video was posted in minutes; A = How long ago the comment was posted in minutes
我希望我是在编造这个，但不幸的是，这就是系统的复杂性。其他变量背后有数学原因，但它们太复杂而无法解释，可能至少需要三段时间来解释。我们在 150 多个 cmets 上测试了这个方程，所有这些都被证明是正确的。
一旦你找到X，也就是我们所说的时序变量，你所要做的就是将它应用到这个方程：
N = X(C/4 + 1)
where X = Timing Variable; C = Positioning Variable
N 是您所有问题的答案。
这是最终的方程式，最终的答案。简单的结论：N越高，评论越高。
注意：特别感谢我的同事：David Mattison、Josh Williams、Diego Mendieta、Steven Orsette 和 Kyle Shropshire。如果没有他们和他们为此付出的努力，我永远不会发现这一点。
【讨论】：