本周主要是继续调整排行榜，和同事规划一起规划新的视频后台，顺便也拿到了直播的弹幕样本数据开始规划打点算法的优化。骚男一场直播XX w+条弹幕啊，excel直接卡死......
两个改变：最近开始爬infoq的文章，读起来还蛮有收获。准备学Python了，没门脚本语言仿佛分析数据还是有点没底。
讲点收获：
关于INS的热门趋势算法
看了INS的热度趋势算法，通过tag的趋势来大致判断内容趋势。几个比较关键的点为：实时tag数量分布到tag在实时出现概率的规范化，预测某tag在某时数量分布到tag在某时出现概率的规范化。两者相对比反差表现的趋势（tag活跃度高于预期反映趋势，使用KL散度计算），同时考虑不同tag代表相同含义的情况。
1. 这块的难点应当是预测某tag在某时的数量分布这一模型，INS选用上周同期的数据预测并排除方差过大的干扰（学习到一点，多取一些数据减小随机性，并设置默认值以防数据过少，默认值的取值要观察历史数据分布得出）。
2. 指数函数是最常见的衰减函数的。
3. 识别出描述同一趋势的tag，选择最能代表其内容的tag。第一项为计算各tag间的相似度（第一反应居然是协同过滤，捂脸，错到八百里外了，协同过滤对内容解释度太差），可从tag共现率，编辑距离（同一标签的不同拼写）来考虑。
发现INS对热门趋势的定义和我们不同，特别是新颖性的定义。
流行度——社区中要有许多人对该趋势感兴趣
新颖性——该趋势是关于一些新东西
时效性——该趋势是在真实事件发生时出现在Instagram上的
有点质疑新颖性存在的必要性，作为社交平台，旧饭新炒的趋势出现和新东西趋势的出现应当被放在同等地位上。
思路应用在排行榜算法上
之前的思路是给不同视频tag设置不同的衰减速度，毕竟新闻类时效性更强，衰减速度肯定要大于其他tag。
对热门趋势的反应体现在视频的瞬时增长上，不过现在觉得可以设定/预测一个阈值反应一个平均的热度，超过阈值可有趋势热度加权（或者使用现在的实时平均热度）。
PS：Instagram的内容组织是通过tag，我们视频库的内容组织也是通过tag，但是两者最大的区别是Instagram的tag体系前台上看是松散的，偏向于用户组织的，毕竟是UGC，而且也没有明显的层级关系；而视频tag组织是靠运营根据经验把控，也符合现在PGC的现状。但是未来如果做UGC内容，这个编辑预设的tag肯定是不行的呀，必须要开放用户打tag......混合个性化推荐仿佛是个超大工程Orz
发现Spotify牛逼的设计*1
3D touch预览Highlight
以3D touch的触摸方法可以直接预览Artist和list下的歌曲Highlight，当前播放进度会被保留；3D Touch预览结束后可以继续当前播放。这简直是解决了一个大痛点啊，预览时不想破坏当前播放进度，设计的太棒。【不过这个Highlight算法值得商榷啊......不是很准，有偏移，这点在优化打点算法的时候也要考虑】
听说今年要上Hi-Fi音质？？？
剩下的没啥了......Python学习中
