个人技术博客（α）

首先是关于edgerank的一些内容

第一次听到这个词语是silchen告诉我的(我还以为是google的pagerank)，当时我们是想要讨论关于推送文章该采取什么样的一种思路，那时候通过网络了解到了这个算法

其实edgerank这个算法是Facebook用于推送新鲜事的，有别于PageRank还需要对论文或者资料排序，他要做的就是推送新鲜事（不是简单的按照时间逆序），这与我们推送文章有一点类似，那么可以采取这种思路

但是实质上，推送的方法千千万万，没有一个很具体的标准，因为事实上（我觉得）不存在一个完美的算法可以包含世界上所有的情况，我们能做的只是尽量的满足用户的需求。就如同音乐播放软件，我们点击随机播放，我们要得并不是真正的随机，而是random shuffle。如果是真正的随机random,我们又往往会抱怨，怎么又听到了这首歌，怎么有一首歌老是听不到。那么这就涉及到很多考虑的因素了。

回到pagerank,它是决定这些新鲜事先后顺序的一个排序算法，核心计算公式是 E = uwd，这个E就是一个具体的事件对于一个具体用户的权重

u,w,d的定义分别如下

u是Affinity Score，也就是所谓的亲密度（？不好翻译），大致上是事件生产者和观察者之间的亲密度，由于我们的APP没有社交模块，事实上我们只会采集用户的行为（而没有采集朋友的行为），来进行判断。主要的用户行为就是点击、刷新、收藏这些，各自权重不同。
w是Edge Weight，对于我们的APP作用不大，我就没去看了。
d是Time Decay，时间衰减因子，事实上文章越过气，那么它出现的概率就应当下降，但是具体的d函数，还需要探讨。同时我们可以看出，如果推送的算法只有d,那么就完全是一个按照时间排序的算法了。

回到我们的APP

那我们的APP采用的并不是一个完整的edgerank的思路（事实上应该也找不到完整的一模一样的edgerank是怎么实现的），只是采取了一个相似的思路，对于文章计算权重，并且进行推送。

那么文章的指标是有很多考虑因素的，粗糙的想象过去，时间和兴趣是必不可少的，那么呢我们就可以建立起一个简单的计算公式。

对于一个用户，每一片文章，我们先看看它与用户的兴趣的匹配程度，然后根据这个匹配程度，我们再去算具体的文章得分，考虑文章被阅读次数以及文章发表时间，来计算权值，最后进行推送

还是那句话，用户的感受是很容易发生变化的，而且每一个用户的偏好都是不同的，我们无法很好的去刻画用户的心理，只能说采取某一种思路进行推送，不可能时刻让用户满意。

接下去是关于python部分

首先要做的事情是配置环境，我也不懂啥时候配置过了，那就不管他了，然后在选择编辑器上，没有选择pycharm，而是选择了sublime text（原本就装了，拿来写C++的作业什么的），于是就可以开始写代码了（假装会语法）

遇到的第一个问题是缩进问题，简单来说它不可以用括号，或者是开始结束的标识符，而是通过缩进来表示一块的语句，这让我一下不是很适应。但是事实上，缩进是一个好东西，应该说是py的优点之一吧，写出来的代码还挺优雅的，并且可以避免一些错误，从逻辑上来说，或者直观感受上，都是比较清楚的。网络上说，如果混用tab和空格，或是采用不同编辑器可能会导致一些错误，这也算是py缩进特色的缺点，但是实际运行过程中，暂时还没有遇到这个问题。

==========================