信息流作为一种呈现内容的形式，天然地存在一些问题，为了更好地展示信息，满足用户需求，须要对信息流进行一些优化。笔者在本文中由牛顿冷却定理得到启发，对信息流的呈现提出了优化方式。
之前做社区类产品时，为了让用户才能及时听到一些比较热门的贴子，以及让一些新的内容就能及时呈现给用户，所以尝试了好多办法。
例如，简单粗鲁地根据时间先后次序诠释贴子，最新发布的就在最前面的位置，实现上去最简单，但对用户而言一些热门的贴子就有可能沉在下边去了。
又考虑结合用户评价、浏览等其他维度的数据综合来进行评定，分别按一定权重计分，总分最高的排最前面，用这些方法的话从某种程度上确实可以实现热门贴子的爆光；但会引起的问题就是越是热门的贴子越是会被置顶，而新的贴子反倒缺乏了爆光的机会。
于是，只好想一些其他的办法，甚至考虑去依靠算法进行实现，但在尝试去找寻成熟算法的过程中就发觉，好多算法相对来说比较复杂，但是最主要的是好多算法都须要在大量的数据情况下才能得到相对确切的结果。
所以，最后思索解决这个问题的方法，便又回到贴子浏览这个事情的本质上来。站在用户的角度上，一方面其实是希望对于一些比较热门的贴子才能及时看见，但另外一方面还是希望能不断听到新的东西。
一、相关原理
前面的这些场景，概括上去就是新的内容总是会取代老的内容，而它又刚好类似于化学学当中的一个定理，它称作“牛顿冷却定理”。
本质上它描述了低于周围湿度的物感受向外散热，并逐步降温的过程，同时单位时间内散热与周围温差会成反比关系。
而这个就跟我们上面提及的贴子的爆光情况是基本一致的牛顿冷却定律代码，假如把贴子爆光或则排行情况想像成体温，随着时间的推移，最终贴子的排行也是会渐渐降出来。
二、影响诱因
按照前面的描述，我们会发觉，贴子的排行遭到了几方面的诱因影响：
1.初始热度
既然是一个随着时间推移热度逐步增加的过程，假如贴子刚被发布的初始情况下，没有一个默认的热度值，则会造成贴子没有办法增加热度；出现的结果就是大量贴子的热度是相同的，那就难以分辨排行情况。
所以，对于贴子刚发布时，须要给出相应的热度，假如完全是模拟体温降温的情况，这么就可以把初始的热度设置为100，最终贴子的热度就会渐渐趋近于0，但不会等于0。
但是，因为当时我们有好多不同的内容分类展示在同一个贴子列表当中，而我们又有一些对于不同内容的初始情况下的不同展示倾向，于是便依照不同的内容分类界定了不同的初始热度值。
例如有科技、财经、体育、女性等不同类别的内容，而我们倾向的次序是科技、女性、体育、财经，所以最终界定的初始热度值就不再都是100，而是界定成了100，90，80，70。其实，具体的数值，还是须要依照实际上线后的情况去反复的调整。
2.用户行为
若果只是有前面提及的诱因，这么可能会造成的问题就是，有好多相仿或则同一时间段发布的贴子，热度值随着时间的推移增加的速率几乎是一致的，这都会造成贴子的排行也基本上是一致的，因而丧失了我们做这个东西的目的。
所以为了解决这样的问题，还可以在不仅初始热度以外，引入贴子被发布后用户对其形成的一些行为，常见的行为可以包括浏览、评价、收藏、分享、点赞等。
具体实现时，可以根据不同的维度界定权重，之后根据实际的数目减去对应的权重后（例如浏览量、评价量、收藏量、点赞量、分享量分别对应的权重是10%、20%、20%、20%、30%），求总的得分，总分暂且称之为用户行为热度，估算方法为：
用户行为热度=浏览量*10%+评价量*20%+收藏量*20%+点赞量*20%+分享量*30%
3.时间
最主要的毫无疑惑是时间。
无论对于用户还是平台，其实是不希望仍然是同样的内容强占了排名榜或则贴子列表的最上面位置的，而是希望不断被更新的内容所取代，也可以称之为贴子的热度须要随时时间的推移而渐渐衰减，最好能呈现出下边这样的一种趋势：
在时间方面，不仅前面提及的随时间推移的趋势，站在实际的场景上牛顿冷却定律代码，对于任一贴子，最好是在某一定时间段过后，贴子次序才能发生周期性的变化。
可以理解为刷新贴子热度的时间间隔，具体的间隔多少则须要依照平台的内容量来确定、如果内容较多，希望早日呈现新的内容给用户，便可以把时间间隔设置的比较短；假如内容较少，则可以把间隔时间设置的比较长。
三、推导过程
确定了前面的影响诱因，便可以参照牛顿冷却定理整理出对应的算法公式了，牛顿冷却定理的公式可以表示为：
ΔT(t)/Δt=–k(T(t)–C)
其中T(t)表示湿度随时间变化的函数，t表示当前的时间，C表示一个常量温度，ΔT(t)表示当前时间从开始到当前时间的气温随时间变化的差值，Δt则表示从开始到当前时间的间隔，而-k则是牛顿冷却定理概念当中单位时间内散热与周围温差会成反比关系的比值，又称之为冷却系数。
而将前面这个公式借助导函数、积分的知识，进行相应的转换变型后，可以变化如下（具体过程就不推论了，何况没太大意义）：
T=T0x(1/e)^（k(t-t0))
而将里面那些变量和常量替换为产品设计当中的贴子情况时，则可以理解为，T代表着贴子当前的热度，T0代表着初始热度和用户行为热度的总和，k则代表着冷却系数，t-t0则代表间隔时间。
结合上面提及的关于初始热度和用户行为热度的估算方法，则相关公式可以为：
T0=H（Type）+H（）
H（）=*a%+*b%+*c%+……
H（Type）则为初始热度值，可以依据不同类型内容进行设置，H（）则为用户行为热度值，不同的行为有各自的权重，权重占比支出为1。
而从函数曲线上来说，k越大，则曲线越陡，意味着热度增加越快，k越小，则曲线越缓慢，意味着热度增加越慢。
四、注意事项
针对一些异常情况，须要定义相关规则。在热度值刚好一样的情况下，须要定义相关的排序规则，例如根据某个单一维度或则综合维度排序。
上线后，还须要不断去监控数据情况，若果发觉排行变化太快，则须要去对冷却系数进行相应的调整。
其实，为了更好的拓展相关业务，例如会在正常的贴子热度当中加入付费的排名，或则其他推广的业务，可以考虑优化公式，或则强行人工推荐，这么对于贴子内容可能还会考虑做一些不一样的贴子池的维护。
