本文标题将“推荐系统”与“排行榜”联系到了一起，你可能会有所疑惑，它们之间有什么关系呢？
推荐系统是“智能”的，带有学习性质，能够和用户进行互动，在互动的过程中，算法参数得到更新和进化。
但是，这一切的前提是要以数据为前提的，推荐系统有一个顽疾就是冷启动，冷启动就是没有数据。
一个新用户来了，推荐系统对其一无所知，没有数据推荐系统怎么学习呢？这时候你就需要一个排行榜了。
- 排行榜可以作为解决新用户冷启动问题的推荐策略。
- 排行榜可以作为老用户的兴趣发现方式。
- 排行榜本身就是一个降级的推荐系统。
如何为电商系统构建一个合理的排行榜？
最简单的排行榜，就是直接统计某种指标，按照大小去排序。在社交网站上，按照点赞数、转发数、评论数去排序，这是一种最常见、最朴素的排行榜。
在我们正在研发的电商导购类产品中，就是按照销量去排序。
这种推荐算法很简单，但是这样做并不靠谱，原因在于：
- 很容易被刷榜。
- 马太效应一直存在，不能反映出排行榜随着时间的变化。
考虑时间因素——牛顿冷却定律
物品受关注度如温度一样，不输入能量的话它会自然冷却，而且物体的冷却速度和其当前温度与环境温度之差成正比。
公式为：
T(t) = H + C * e−αt
公式中字母意义如下：
H：环境温度，可以认为是平均销量，由于不影响排序，可以不使用。
C：净剩票数，即时刻t物品已经得到的票数，也就是那个最朴素的统计量，当前场景下为商品销量。
t：为物品冷却时间，一般以小时为单位。
alpha：是冷却系数，反映物品自然冷却的快慢。
如何确定alpha？
假如一个物品在时间过去B个单位后，因为增加了A个投票数，而保持了热门程度不变，那这样的话a应该多少呢？
C * e−αt = (C + A) * e−α(t+B)
可以得到 α = 1 / B * ln(1 + A/C)
用这个公式加上自己产品的实际情况来确定alpha就容易得多，假如按照 B = 24，也就是过一天来看：
| 直观解释 | A / C | alpha |
| 投票数翻倍 | 1 | 0.03 |
| 投票数增加两倍 | 2 | 0.05 |
| 投票数增加三倍 | 3 | 0.06 |
| 投票数增加三百倍 | 300 | 0.24 |