很多網站都會在文章主題上加上評分的功能（五星評分、喜歡不喜歡、加一減一），主要用於計算主題的熱門程度，並加以排序，評分越高表示這篇主題越熱門，能見度也越高。
評分實做很容易，但排序不簡單，在實做排序過程中會面臨不少問題：
- 經驗不足的工程師會重造輪子，套用自己的演算法，不懂得使用統計公式帶來的好處
- 必須防範那些會意圖使自己的文章排序在最上面的 spammer
- 複雜度太高的演算法導致系統負載過高
這篇文章會試著介紹一些排序演算法，從簡單到複雜，並介紹其優缺點，也會分享一些知名網站的排序演算法。就讓我們從最簡單的開始吧：
評分決定熱門
假設我們的資料庫已經存著數筆資料，也許是文章或影音，而我們可以透過評分去排序其熱門度：
熱門度 = 總評分
SELECT * from posts ORDER BY vote ASC|DESC
這個演算法實做上最簡單，但也很糟糕。通常我們會希望新主題可以有一定的能見度，但如果套此演算法，在首頁可能會被到好幾年前的熱門文章所霸佔，新主題無法置頂，也因能見度不高，難以翻身。加上也許幾篇熱門主題會因為網站離峰時段導致評分較低，例如上個月的熱門主題可以得到一百分，這個月因為暑假大家出去玩，同樣熱門的主題只能拿十分，這樣的算法明顯不公平。
考慮時間
讓我們在公式上加一個時間變數，越年輕的主題會有較高的機會出現在首頁，很合理吧？
熱門度 = 總評分/主題壽命
主題壽命 = 現在時間 - 主題發布時間
對於越老得文章，變得熱門必須要有相對越多的評分。乍看之下沒問題，但這方法仍是不公平的。理由很簡單，試想一下一篇凌晨三點發布的主題，由於這時間是離峰時期，即使這主題真的很棒，卻因為大多人當時都在睡覺，導致相較於白天才發布的主題，這篇超炫主題已經輸在起跑點。
為了改善這個問題，我們再變換一下公式：
熱門度 = Σ(評分/評分壽命)
評分壽命 = 現在時間 - 評分時間
越年輕的評分有較大的權重，乍看確實解決了剛剛的離峰問題，但卻有新的麻煩：如果一個人對一個好幾年前的主題投下一票，這一票將會比這幾年來，在這主題上的任何評分要來得值錢，導致老舊的主題會再一次出現在首頁。所以我們還得再考慮主題壽命，於是公式變成：
熱門度 = [Σ(評分/評分壽命)]/主題壽命
對於上一個公式再除以主題壽命，以防主題回春，好極了，這下上述所有問題都獲得解決，但你是否發現這個演算法潛藏的危機？他的複雜度太高以致計算成本昂貴，難以在現實的系統中實現。
由於該演算法非常依賴時間，每一秒的熱門都會改面，設計上需要每幾秒刷新整個資料庫（或幾分鐘，單看系統設計需要的即時程度而定），這對高流量的網站來說簡直惡夢。
因為這方法用起來不太妙，我來介紹另一個簡單的替代方案：
Bayesian Average
假設我們的設計是喜歡某個主題，給他 +1，討厭就 -1，而一個主題評分則是所有的正評除以評分總數，所以公式變成：
主題分數 = 正評數/(正評數+負評數)
所以主題分數的值會介於 0 到 1 之間。
但這樣設計仍有個問題，假設有一個主題在經過幾百人的評分之後得到 0.96，另一個主題只有 2 個人評分，且都給予正評，於是這個主題躍然成了平分為 100% 的主題！這和我們想要的不一樣：
- 我們希望當一個主題只有少數人評分時，權重應比較低。
- 反之一個主題有大量的人去評過分，權重比較高。
熱門度的可信度應決定於評分人數的多寡，一個主題的評分人數越多，則計算出來的熱門度也比較趨近於真實情況，評分人數少，則計算的結果則可能與實際結果相差甚遠。
而求解這個問題也不是什麼新鮮的研究，因為公式在幾百年前就被發明了：Bayesian Average
利用 Bayesian Average，可以把公式改為：
熱門度 = ((C*所有主題平均評分)+該主題總分)/(C+該主題受評數)
C = 所有主題平均受評數
該主題總分 = 該主題受評數*主題分數
建議先看過 wiki 上的解釋，如果還是不太清楚可以參考這兩個網址：
這個方法比先前的好多了，前一個對時間的計算相當依賴，而此法卻與時間無關，至少效能好上許多。