第 179 题：实时热门与个性化，热度的时效性衰减？
题目
实时热门与个性化，热度的时效性衰减？
完整讲解
一、实时热门与个性化
实时热门：基于近期（分钟/小时级）的点击、播放、分享等行为统计出的热门内容，适合「大家都在看」场景。个性化：基于用户长期兴趣与上下文，推荐更贴合个人的内容。二者结合可既有时效热点又有个人偏好。
二、热度的时效性衰减
- 问题：热门若仅用「历史累计」或长窗口统计，会滞后且长尾难出头；新热内容需要快速抬升、旧热需要逐渐降温。
- 衰减方式：（1）时间衰减：热度 = $\sum \omega(t-\tau)$，$\omega$ 随 $t-\tau$ 增大而减小，如指数衰减 $e^{-\lambda (t-\tau)}$ 或滑窗只计最近 $T$ 小时。（2）牛顿冷却：热度随时间指数衰减，新交互按权重加回，实现「越新越重要」。（3）分段窗口：近 1h / 24h / 7d 分别算热度再线性或加权融合，兼顾爆发与持续。
- 与个性化融合：热门分数与个性化分数线性或模型融合；或热门作为一路召回、与个性化召回一起进入精排。
三、工程要点
- 实时 pipeline（流式聚合、窗口计算）保证热度更新延迟低；衰减参数与窗口大小用 A/B 与留存/时长调优。
面试要点
- 能区分实时热门与个性化，并说明结合方式（融合分数、双路召回）。
- 能说清热度时效性衰减的必要性及实现：时间衰减、牛顿冷却、分段窗口。
- 能简述实时热度 pipeline 与衰减参数调优。
记忆要点
- 实时热门+个性化：热门用近期行为、衰减保证时效；与个性化分数或双路召回融合。
- 衰减：指数/滑窗、牛顿冷却、分段窗口；实时 pipeline 低延迟更新。