基于“牛顿冷却定律”的机器学习算法

牛顿冷却定律：定义了温度随时间变化的规律。

#T_now：当前温度
#T_last: 上次温度
#tx：与上次测量的时间间隔
#coefficient: 冷却系数

T_now = T_last * Exp(-(tx) * coefficient)

可见，随着时间温度会慢慢下降，并且下降的速度越来越慢，一直到最后几乎不变 。

热门排名

温度冷却，自然而然就会想起“热门推荐”或者“热门排名”，那么是否可以使用上述的公式来做热门排名呢？答案是肯定的。

本次热门分值 = 上次统计热门分值 * exp(-1 * 系数 * 统计的时间间隔)

那么热门分值也会像温度一样慢慢下降直至最终归零，这个跟实际非常符合，之前一段时间比较热门的话题发酵一段时间后热度会慢慢下降，过一段时间后人们也不会想起它（可能偶尔会提起）。

还需要加些修正，如：新增加的点击阅读分值

新增点击分值 = A * (B - log(tx)) * 新增点击数

# A B 为系数
# tx为距离创建的时间

B - log(tx) 是构造一个随时间迁移影响度越来越小的系数，为了让一些新的新闻能够比较容易上热门，因为同样是新增100次点击，tx越小，新增分值就越大，即影响度就越大，老新闻需要更多的点击才能追上新的新闻。

热门排名算法有很多，具体要看实际使用场景，如到底是否推新、正负投票等等，很多时候简单的几个属性除一下加一下就能达到很好的效果。

中文处理提取新词

提取新词的方法为统计两个字出现的概率和各自出现的概率，如满足

P(W0W1) > P(W0) * P(W1)

则说明可能为一个新词，对于一些干扰的处理可以使用冷却法，即在统计频率时，可以边统计边衰减，对于正常词来说增长比衰减要快，但是非正常词的干扰，由于出现的随机性，会被慢慢“遗忘”。