Facebook边际排名算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jxq0816/article/details/102638262
社交分发带来了新的问题：
一方面，进入稳定期后，流量出现了新的垄断：一些大号由于拥有大量的粉丝、保持了高频的发布量，实际掌握了平台的流量分配权。比如，微博上大部分流量一度被营销号和大号所占据，使新的内容生产者获取流量的成本剧增。
另一方面，随着社交关系的不断扩张，微博、微信已经成了线上名片，用户关注了越来越多的来源，基于社交分发的内容质量也逐步下降。朋友圈中盛行的养生文、微商广告、晒娃帖等就是最好的例证。
社交分发在让人们免于信息匮乏的同时，也带来了信息过载的问题。为了优化用户的信息消费体验，脸谱网率先在自己的News Feed中应用算法进行排序。
脸谱网最初的排序方式，称为边际排名算法（Edge Rank Algorithm）。该算法的核心计算公式为：E = u×w×d。
• u：用户与内容发布者之间的亲密度分数，互动越高的亲密度分数越高。
• w：不同反馈动作具有不同的权重，反馈动作包括展示、评论、点赞等。比如，评论动作的权重就会显著高于点赞动作。
• d：基于时间的衰减，越新的内容权重越高。
通过上面的公式不难看出，亲密度和用户动作的引入，极大地抑制了大号和营销号刷屏的情况。此前，企业账号一旦获得了粉丝就相当于获得了稳定的广告位，所有新广告以几乎零成本的形式展现在这些粉丝的信息流中。但此后，没有互动的粉丝就只是停留在页面上的一个数字而已，企业账号在获取粉丝之后，必须同时下力气来维护自己的粉丝群体。
在随后的日子里，脸谱网致力于借助机器学习的方式改进排序算法，除了最初的3个Edge Rank因素之外，不断追加新的特征和排序方式，如Story Bumping（系统对用户错过的信息进行二次判断，如果判断为重要，则会跳过时间序进行置顶展示）、Last Actor（系统根据用户最近频繁互动的50人，进行信息排序的调权，放大短期兴趣的影响）等。
