博客质量分计算（二）

前一篇文章（博客质量分计算（一）_ccat的博客-CSDN博客），我们重点讨论了标题质量分，标题质量分的计算相对来说更简单，也更容易深入，但是标题的质量显然不能决定一篇文章的质量，对于文章内容的质量平局，我们也做了一些尝试。

博文质量评估

博文内容评估仍然是一个比较难定量的问题，一篇博文，可能可以命中很多“高阶”的词汇，但仍然是一篇很差的文章，甚至可能是不符合自然语言的词语堆砌，仅仅是符合词法语法的机器判定。而一篇好的入门文章，可能仅仅包含某个领域的一些基本概念。但是我们仍然可以通过一些手段，评估一篇文章的结构是否对读者“友善”，是否便于阅读。这是当前重点解决的问题，特别是提取一些常见的 bad case。

总体来说，质量分计算是一个多项式，它由一组指标项的加权求和，再乘一组因子项，求得的结果做归一化处理来实现。

其中函数 f(x) 是归一化处理的工具函数，主要是为了将计算结果约束在一个有限的区间内，便于比较。

因子项p是指以乘法作用于质量分的那些指标项，它们通常都在(0, 1]区间。从这个式子可以看出，每一个低分的因子会明显的降低最终的质量分，这些因子也基本都是一些降权机制。

目前我们重点关注的指标有：

博客文章的长度

技术文章的阅读有其特殊性，我们鼓励那些有针对性，目标清晰的文章，所以太长或太短的文章，会被降低分数。通常来说一篇技术文章，哪怕讲解一个很基本的问题，也很难在一两百字说清楚，这是比较容易理解的。但是从实际经验来讲，其实过长的文章也是非常不友善的。不仅仅会因为长文档的传输问题，造成比较糟糕的阅读体验，而且过长的文章也不利于读者消化吸收其中的知识，这一点上，技术博客和论坛，与书籍是非常不一样的。实际上一本技术书，也总是要分出章节，一篇博客，更接近于一章甚至一节。读者阅读一个连载系列，远比阅读一篇几万字几十万字的长文体验要更好的多。我们鼓励有长篇内容需要撰写的读者，充分利用博客的功能，将其组织成有关联的系列，例如一个特定的专栏，或者用标签分类。

特别是针对一些有很多段，也有很多字，但是每段只有几个字，明显不是技术文章问题的病态结构，我们的质量分算法会尽量予以识别。需要注意的是，这种结构在正常的书写博客的过程中不太可能出现，但是一些作者会在某一个平台上写作后，复制到自己在其他博客平台上的账户发表，此时又可能因为编辑器（对方或者我们的）的问题，造成不正常的段落结构（比如一个平台的软换行在另一个平台复制为分段）。我自己也有若干个不同的博客，有时候会遇到这种困扰，需要具体问题具体处理。

链接等超文本内容的比例和质量

HTML超文本是博客的基本载体，一篇技术文章，如果其中超链接比例过高，显然是不正常的，这样的文章我们会予以降权。当然目前我们对这种情况设定的阈值非常的高，作者们可以放心，正常情况下一篇长文章带有内部目录，或者常见的包含引用资料等链接的文章，不会触发这个规则，它主要针对的是那种仅仅包含链接文本，或几乎都是链接文本的文章。

类似问题还有图片引用，无效图片会给读者带来很不好的体验，但是由于互联网的特殊性，图片的访问问题并不总是确定的。有时候可能作者自己阅读文章时，图片访问正常，但是由于图床的限制，一部分网络环境中的读者并不能看到图片。我们也在研究如何更好的识别图片来源无效或不稳定的情况，这不仅仅是能够为读者筛选阅读体验更好的内容，也能帮助文章作者更好的发现和解决问题。
同样，一篇好的技术文章，图片、代码等超文本、多媒体内容的比例，会在一个合理的范围，可能没有（这种情况其实也不典型），但不会过高。因此我们也会对图片比例过高的文章进行降权。

代码等文本格式问题

一种常见的 bad case 是因为文章编辑过程中的一些问题，造成代码块格式混乱，或者行号串位，其中一部分我们通过技术手段识别出来，并对其降权，使这种明显不利于阅读的文章尽量不出现在推荐榜上。

同样由于超文本的复杂性，这类内容的识别会是一个长期过程，相信作者们也希望自己的作品以整洁的面貌出现在读者面前，这部分算法，在将来应该能更直接的服务于各位作者。

这里我本想找几个 bad case ，不过现在历史存档的大数据集我还没有构建完善，简单举个例子吧，例如这位朋友的遭遇：博客页面显示问题：代码排版混乱！-CSDN论坛博客页面显示问题：代码排版混乱！https://bbs.csdn.net/topics/392404771

当然如果问题来自CSDN的编辑器，我们可以尽快解决，有时候排版错位来自外部编辑，就比较难处理了，理论上说我们可能会遇到任意多种代码排版方式，覆盖全部可能是是一件不可能的事。但是这件事仍然值得坚持做下去。希望我们的算法在将来也能提供一些帮助。 

代码复杂度

代码复杂度其实并不能决定一篇文章的质量，但是作为一个非关键性因素，我们尝试识别文章代码中包含的信息复杂程度，甄别出认真写作的作者，和一些可能存在的对抗行为。因此，简单的在文章中包含一些无意义的代码，或者简单粗暴的复制粘贴代码内容来“注水”，很可能不会得到更高的质量分。

虽然这个指标并不是决定性的，但是它的评估算法仍然值得长期改进和发展。我们在将来会更深入的识别不同编程语言（至少是常见编程语言）的特征结构，以期帮助读者找到更优质的内容。

这里举个例子，业内有一个笑话，说有团队按代码行数计算工作量，于是就有程序员把循环展开写，例如下面这段代码

for i in range(1, 10):
    print(i)

就可以展开成

print(1)
print(2)
print(3)
print(4)
print(5)
print(6)
print(7)
print(8)
print(9)
print(10)

这两段代码在输入输出上是等效的，如果单纯按代码行数，第二段应该分数更高，但是在信息复杂度上，其实第一段比第二段更复杂，它描述了一个有边界条件的循环，而第二段是简单的重复。在我们的代码质量分计算中，第一段质量更高。

当然无谓的提高信息复杂度并不难，比如把前面那段代码再套上函数定义，或者定义成一个class，叠床架屋，把简单的事情办复杂，总是容易的。即使现代的 IDE，也未必能准确的发现可精简的代码结构，但是也应该看到，这样做是非常不值得的，关键在于代码质量分是加法项x中的一个指标，并不会决定性的提升最终的质量分，如果为了贪图这一项的高分，填入了过多冗余的内容，最终不会得到很高的质量分，我们的最终目的仍然是希望将优质的内容筛选出来，推荐给有需要的读者，不能因果倒置。

段落结构

这并不是IT技术问题决定的，而是在基本的文字写作技术角度，一篇利于阅读的技术文章，段落结构往往是比较均衡的，不会有病态的长段——这种长段往往来自复制粘贴或转载过程中的段落信息丢失。

因此，我们也鼓励在结构上均衡，不会有过多极短段落，也不会有非常长的长段落的文章。合理的段落结构，能够更好的表达文章内容，读者的阅读体验更为友好。

典型的特定问题

目前通过与业务部门的合作，我们也梳理出一些很具体的坏结构，它们不一定代表了更本质和广泛的规律，但是（至少在一段时间内）足以对作者和读者造成困扰，例如一些无法访问的网盘链接，一些典型的无意义的推广软文（它们往往没有实质的技术写作，而是单纯的转载或洗文，再加上引流的链接、二维码）等等。就像反病毒系统的特征识别，此类典型的特征结构，我们也在质量分的发展中不断充实，并尝试梳理出一个高效的响应机制。

小结

对文章的质量进行自动化的量化评估，是一件很有争议的事情，哪怕是仅仅评估文章的形式质量，也很难做到精准明确。但是这是一件非常有意义的事情，这个算法不仅仅是一个裁判，去给出文章向读者进行推荐的建议，也应该是作者们的助手，帮助大家创作内容，促进知识的传播。最终我们希望它除了提供给推荐系统作为一个参考依据，还能够为技术编辑和作者提供服务，帮助作者创作出优质的内容。

我个人的技术写作经历，至今也有超过二十年，甚至可以说CSDN推出博客服务，直接促进了我在二十多年前成为一个博客作者，并进一步开始写作和翻译技术内容。希望我们AI团队的研发工作，和自身的写作经验，都能够为这个平台上的所有作者、读者做出贡献。