我希望能够将新的“标签行”引入数据库中，这些“标签行”会“随机”显示给用户。（这些标语行显示为动画文本的介绍。）
根据这些标语产生的销售数量，我希望好的标语能够逐渐上升到顶部，但仍然不那么频繁地显示其他标语。
我可以很容易地想出一个基本算法，但我想要一些更“统计准确”的东西。
我真的不知道从哪里开始。自从我做了比基本统计更多的事情以来已经有一段时间了。我的模型需要对公差敏感，但显然它不需要值得 PHD。
编辑：我目前正在跟踪“转化率”——即每个订单的点击量。最好将此值计算为要输入算法的累积“所有时间”转换率。
看看你的问题，我会稍微修改一下要求 -
1）最受欢迎的应该最常显示。2) 标语应该“过时”，因此过去获得了很多选票（购买），但最近没有出现的应该不那么频繁地显示 3) 全新的标语应该在第一天更频繁地显示。
如果您同意这些，那么算法可能类似于：
START:
x = random(1, 3);
if x = 3 goto NEW else goto NORMAL
NEW:
TagVec = Taglines.filterYounger(5 days); // I'm taking a LOT of liberties with the pseudo code,,,
x = random(1, TagVec.Length);
return tagVec[x-1]; // 0 indexed vectors even in made up language,
NORMAL:
// Similar to EBGREEN above
sum = 0;
ForEach(TagLine in TagLines) {
sum += TagLine.noOfPurhcases;
}
x = random(1, sum);
ForEach(TagLine in TagLines) {
x -= TagLine.noOfPurchase;
if ( x > 0) return TagLine; // Find the TagLine that represent our random number
}
现在，作为一种设置，我会给每条新的标语购买 10 次，以避免一次购买变得非常倾斜。
老化过程我会将一周以上的购买视为每周购买 0.8 件。所以 1 周大给 0.8 分，2 周给 0.8*0.8 = 0,64 等等......
您必须使用 Initial purhcases 参数（在我的示例中为 10）和老化速度（此处为 1 周）和老化因子（此处为 0.8）来找到适合您的东西。
这是javascript中的一个示例。并不是说我不建议运行这个客户端......还有很多可以做的优化。
注意：此处实现 createMemberInNormalDistribution()将均匀分布转换为正态分布
/*
* an example set of taglines
* hits are sales
* views are times its been shown
*/
var taglines = [
{"tag":"tagline 1","hits":1,"views":234},
{"tag":"tagline 2","hits":5,"views":566},
{"tag":"tagline 3","hits":3,"views":421},
{"tag":"tagline 4","hits":1,"views":120},
{"tag":"tagline 5","hits":7,"views":200}
];
/*set up our stat model for the tags*/
var TagModel = function(set){
var hits, views, sumOfDiff, sumOfSqDiff;
hits = views = sumOfDiff = sumOfSqDiff = 0;
/*find average*/
for (n in set){
hits += set[n].hits;
views += set[n].views;
}
this.avg = hits/views;
/*find standard deviation and variance*/
for (n in set){
var diff =((set[n].hits/set[n].views)-this.avg);
sumOfDiff += diff;
sumOfSqDiff += diff*diff;
}
this.variance = sumOfDiff;
this.std_dev = Math.sqrt(sumOfSqDiff/set.length);
/*return tag to use fChooser determines likelyhood of tag*/
this.getTag = function(fChooser){
var m = this;
set.sort(function(a,b){
return fChooser((a.hits/a.views),(b.hits/b.views), m);
});
return set[0];
};
};
var config = {
"uniformDistribution":function(a,b,model){
return Math.random()*b-Math.random()*a;
},
"normalDistribution":function(a,b,model){
var a1 = createMemberInNormalDistribution(model.avg,model.std_dev)* a;
var b1 = createMemberInNormalDistribution(model.avg,model.std_dev)* b;
return b1-a1;
},
//say weight = 10^n... higher n is the more even the distribution will be.
"weight": .5,
"weightedDistribution":function(a,b,model){
var a1 = createMemberInNormalDistribution(model.avg,model.std_dev*config.weight)* a;
var b1 = createMemberInNormalDistribution(model.avg,model.std_dev*config.weight)* b;
return b1-a1;
}
}
var model = new TagModel(taglines);
//to use
model.getTag(config.uniformDistribution).tag;
//running 10000 times: ({'tagline 4':836, 'tagline 5':7608, 'tagline 1':100, 'tagline 2':924, 'tagline 3':532})
model.getTag(config.normalDistribution).tag;
//running 10000 times: ({'tagline 4':1775, 'tagline 5':3471, 'tagline 1':1273, 'tagline 2':1857, 'tagline 3':1624})
model.getTag(config.weightedDistribution).tag;
//running 10000 times: ({'tagline 4':1514, 'tagline 5':5045, 'tagline 1':577, 'tagline 2':1627, 'tagline 3':1237})
config.weight = 2;
model.getTag(config.weightedDistribution).tag;
//running 10000 times: {'tagline 4':1941, 'tagline 5':2715, 'tagline 1':1559, 'tagline 2':1957, 'tagline 3':1828})
你必须想出一个基于销售额的加权公式。
我不认为这里有任何“统计上准确”的公式——这完全取决于你的偏好。
没有人可以说“这是正确的权重，而另一个权重是错误的”，因为没有你试图模拟的最终结果——这不像试图权衡对即将举行的选举的民意调查的反应（你正在尝试对结果进行建模以表示将来会发生的事情）。
我建议根据以前的销售情况随机选择一个加权因子。所以假设你有这个：
一个简单的加权公式是 1 + 销售额，所以这就是选择每个标签的概率：
您可以轻松更改加权公式以获得您想要的分布。