博客质量分计算——发布 version 5.0

1. 背景

博客质量分顾名思义是用于衡量一篇博客的质量，其在 CSDN 的热榜、推荐、搜索等多个模块中发挥着关键性的作用。下图是质量分的工作机制：

图1 质量分的工作机制

先回顾一下，在第 4 版本 (后续称为 V4) 的质量分中，主要对得分进行了平滑，使得质量分结果分布更均匀，不会过度集中在头部 [80, 100] 和尾部 [0, 20)，详见博客。

但是，在 V4 的质量分体系中无明显层次结构 (也可称为可解释性)，即博主在博文中加入新的元素 (例如：图片、链接、代码等)，质量分没有按阶梯式增高，在博文中加入一些影响阅读的元素之后 (例如：死链、虚假链接、代码混乱等) ，质量分也没有按阶梯式降低。

此外，虽然 V4 的质量分分布更加均匀，但还是不够，详见图 5，该图随机统计了 1 万篇博客质量分的分布情况，其中蓝色部分的柱状图是 V4 的质量分分布情况，可以看出得分主要分布在 [0, 20] 和 [50, 94] 两个区间段。

针对上述问题，第 5.0 版本 (后续称为 V5.0) 的质量进行了一系列的改进，在保证 V4 高质量博客数据保留约 90% 的情况下 (即 V4 中 80 分以上的博客在 V5.0 中有约 90% 仍在 80 分以上) ，得分分布更均匀，质量分体系层次结构也更清晰。

接下来，将对第 5.0 版本质量分的改进进行详细阐述。

2. 质量分 version 5.0

2.1 version 4 存在问题分析

下图是 V4 版本质量分计算流程：

图2 V4 版本质量分计算流程图

从图 2 可以看出，V4 版本质量分计算流程存在以下问题：

• 正向积累得分中，目录 和 标准目录 作为两个不同的项，存在冗余；
• sigmoid 归一化中，sigmoid 函数将得分强制映射到了 (0.5, 0.938)， 使得 0.5 和 0.938 以下的得分极少出现，此外 (此处得分为缩放前的得分，取值为[0, 1])；
• sigmoid 归一化应该放在最后阶段，而不是中间阶段；
• 文章是否有投票 可以直接放到正向累加得分中；
• 计算逻辑中只有正向积累得分 (亦称加分项) 和惩罚项，而没有减分项。从得分系统设计逻辑的完备性来看，应该分为以下三个部分：
  • 加分项：从0到1，逐步加分；
  • 减分项：从1到0，逐步减分；
  • 强惩罚因子：严重违规的情况，直接乘以一个较低的惩罚因子，例如：0.1, 0.2。

此外，除了上述计算流程上的问题，V4 版本的质量分在多个得分项上面还存在以下问题：

• 代码得分：可理解为代码量得分，英文为 lines of code，即代码的行数，而 V4 版本中的计算方式是代码中 token 的数量；
• 各子得分项不够平滑：以 内容长度得分 为例，使用的是 Min–max normalization (代码如下所示)，该归一化方法存在截断的情况，如果输入值大于最大值，则得分就不会发生变化了，并且也不够平滑，例如：

  • 内容长度得分，如果文章长度的最大值是 2000，文章 1 的长度为 2000，文章 2 的长度是 3000，则文章 1 和文章 2 的得分是一样的。

  • 目录得分，目录得分是基于正文中的多级子标题的数量进行计算的，标题数越多，则得分越高。V4 版本直接使用的是 Min–max normalization，其中 min = 0，max = 10。该归一化方法不够平滑，如果博文中只有 2 个子标题，则得分只有 0.2，但质量分的初衷是鼓励用户正确使用多级标题，有的文章确实不需要过多的多级标题，可能 2 个子标题就可以将文章结构划分得很清楚，即 2 个子标题应该得到 0.5 以上的得分。

    def min_max_normalization(value, max_value, min_value):
        if value > max_value:
            value = max_value
    
        if value < min_value:
            value = min_value
    
        if min_value > max_value:
            tmp_value = max_value
            max_value = min_value
            min_value = tmp_value
    
        norm_value = (value - min_value) / (max_value - min_value)
    
        return norm_value
    

2.2 version 5.0 改进

针对 V4 版本中存在的问题，V5.0 版本进行了相应的改进，改进后的计算流程如下图所示：

图3 V5 .0版本质量分计算流程图

从图 3 可以看出，V5.0 版本针对 V4 版本在计算流程方面进行了如下改进：

• 将 目录 和 标准目录 进行合并，统一为目录得分；
• sigmoid 在进行平滑时候，放到了最后一个阶段，并且新的 sigmoid 函数映射的得分区间为 (0.017, 0.983)，相比之前的 (0.5, 0.938)，得分分布更加均匀，函数图像如下所示：
  

图4 V4 和 V5.0 版本的得分平滑函数

• 文章是否有投票 直接放到了加分项中；
• 计算逻辑直接拆分成了三个部分：加分项、减分项和强惩罚项；
• 新增 非 IT 技术文章 减分项
• 文章结构太简单 从强惩罚因子变为减分项，因为文章结构简单已经在 文章内容长度得分 以及 标签多样性得分 等多个地方有所体现，故无需进行强惩罚；
• 新增 图片得分；
• 优化各个子加分项权重，使得分呈阶梯式增高或降低；
• 计算流程最后一步的得分取整 int(score * 100) 改为 round(score * 100) ，因为 python 中的 int() 默认是向下取整，round 是四舍五入。

此外，除了计算流程上的优化，V5.0 版本还对每个字得分项上的计算逻辑进行了优化，具体如下：

• 代码得分 直接使用代码行数以及代码块个数进行衡量；
• 针对多个子得分项不够平滑的问题，V5.0 中减少了 Min–max normalization 函数的使用，改为使用分段函数，或者其他更为平滑的曲线。V5.0 版本针对 内容长度得分、目录得分、代码得分、内容长度得分、链接得分、图片得分 等多个子得分项进行了平滑以及计算逻辑微调，例如：
  • 对于 内容长度得分 中的截断问题，使用分段函数处理

    def __cal_content_length_score(self, content):
      """ 计算内容长度得分 v5.0
      """
      content_len_base = self.content_len_range["max"] / 2
      content_len_cut_off_point = sigmoid(self.content_len_range["max"] / content_len_base)
    
      content_len = len(content)
    
      # 分段函数，平滑内容长度较大时的得分
      if content_len <= self.content_len_range["max"]:
          score = min_max_normalization(
              content_len, self.content_len_range["max"], self.content_len_range["min"])
          score *= content_len_cut_off_point
      else:
          score = sigmoid(content_len / content_len_base)
    
      return score
    

  • 对于 目录得分 中不够平滑问题，使用幂函数进行平滑

    def __cal_heads_toc_score(self, sample):
      """ 计算目录得分 v5.0
      
      """
      # 1. 正文中的多级标题 (即 h1, h2, h3, h4) 得分
      heads_list = sample["catalog"]
      heads_num = len(heads_list)
    
      # 平滑，当 heads_num 较小时，得分变化不至于过小
      heads_score = min(math.pow(heads_num / self.heads_num_para["max"], 0.25), 1)
    
      # 2. toc 得分
      if "toc" in sample:
          toc_score = 1.0
      else:
          toc_score = 0.0
    
      # 3. 加权
      score = heads_score * self.heads_toc_weight["heads"] \
          + toc_score * self.heads_toc_weight["toc"]
    
      return score
    

2.3 消融分析

本文进行了部分消融实验，测试各个 V5.0 版本中各个因素的影响：

2.3.1 正向积极得分消融实验

通过逐步去掉影响质量分的某个要素，观察质量分的变化。

下表中，质量分-V5.0-sigmoid 表示 V5.0 版本最终的质量分，质量分-V5.0-base 表示 V5.0 版本 sigmoid 平滑前的质量分。由于 sigmoid 函数的特性 (函数图像见图 4)，会平滑掉高分段和低分段分数的差异性，中分段的差异性会更加明显，这也符合一个常识性假设：“分数越高，就越难提升分数”。

因此，为了观察每个要素对质量分的影响，对比 质量分-V4 和 质量分-V5.0-base 即可。从下表中标红的得分可知，V5.0 版本要优于 V4 版本，V5.0 版本更能体现随着要素的减少，质量分呈现阶梯式的降低。

博客	质量分-V4	质量分-V5.0-base	质量分-V5.0-sigmoid	长度	标题	图片	链接	目录	标准目录	代码	投票	元素多样性
测试博客1	91	97	98	1	1	1	1	1	1	1	1	8
测试博客2	91	92	97	1	1	1	1	1	1	1	0	8
测试博客3	89	86	95	1	1	1	1	1	1	0	0	7
测试博客4	83	84	95	1	1	1	1	1	0	0	0	6
测试博客5	82	81	93	1	1	1	1	0	0	0	0	6
测试博客6	79	75	90	1	1	1	0	0	0	0	0	4
测试博客7	78	70	84	1	1	0	0	0	0	0	0	4
测试博客8	76	65	78	1	0	0	0	0	0	0	0	4
测试博客9	76	64	77	0.75	0	0	0	0	0	0	0	4
测试博客10	76	62	76	0.5	0	0	0	0	0	0	0	4
测试博客11	68	46	55	0.25	0	0	0	0	0	0	0	4
测试博客12	10	23	2	0	0	0	0	0	0	0	0	2

2.3.2 正向累积得分单变量实验

通过每次只去掉一个影响质量分的某个因素，观察质量分的变化。

理由同上，直接对比 质量分-V4 和 质量分-V5.0-base，从下表中标红的得分可知，V5.0 版本要优于 V4 版本，每去掉一个要素，V5.0 版本的得分降低更加明显。

博客链接	质量分-V4	质量分-V5.0-base	质量分-V5.0-sigmoid	长度	标题	图片	链接	目录	标准目录	代码
测试博客1	91	92	97	1	1	1	1	1	1	1
测试博客2	89	86	95	1	1	1	1	1	1	0
测试博客3	86	90	97	1	1	1	1	1	0	1
测试博客4	91	88	96	1	1	1	1	0	1	1
测试博客5	91	88	96	1	1	1	0	1	1	1
测试博客6	91	87	96	1	1	0	1	1	1	1
测试博客7	90	87	96	1	0	1	1	1	1	1
测试博客8	91	92	97	0.75	1	1	1	1	1	1
测试博客9	90	91	97	0.5	1	1	1	1	1	1
测试博客10	89	86	95	0.25	1	1	1	1	1	1
测试博客11	15	52	58	0.1	1	1	1	1	1	1

2.3.3 非高分文章消融实验

上述两个对比实验使用的是高分文章，由于 sigmoid 在高分段平滑性强的影响，很难看出差异性。为了进一步证明 V5.0 版本的优势，下表是非高分文章的对比实验，可以看出，V5.0 版本的质量分变化更加平滑。最明显的例子就是第 1 行和第 2 行的数据，使用 V4 版本测试时，在第1 行的 12 分博客的基础上，逐字逐句地增加博客的长度， 质量分会从 12 分一下跳到 70 分，而 V5.0 版本的变化是均匀的。

博客	质量分-V4	质量分-V5.0
软件测试的案例分析 - 闰年1	12	30
软件测试的案例分析 - 闰年2	70	54
软件测试的案例分析 - 闰年3	67	41
软件测试的案例分析 - 闰年4	71	60
软件测试的案例分析 - 闰年4.1	73	71
软件测试的案例分析 - 闰年4.2	84	84
软件测试的案例分析 - 闰年4.2 (加投票）	85	89
软件测试的案例分析 - 闰年5	83	95

2.4 V4 和 V5.0 版本质量分分布对比

随机抽取 10000 条博客数据，对比V4 和 V5.0 版本质量分分布情况，由下图可知，相比 V4 (蓝色部分) 版本，V5.0 版本 (红色部分) 的分布更加均匀，得分的覆盖范围也更广。

图5 V4 和 V5.0 版本质量分分布对比

3. 总结

质量分 V5.0 版本进行了较大的更新，由 2.3 节的对比实验可知，相比 V4 版本，随着文章内容的变化，V5.0 版本的得分变化更加均匀与合理。同时，由 2.4 节的分布对比可知，V5.0 版本的得分分布更加均匀，分布覆盖范围也更广。这些变化进一步带来的好处就是质量分变化的 可解释性 更强。

除了上述主动的优化，在修改代码的过程中，还发现了若干隐藏的 Bug，进一步确保了质量分计算的正确性。

此外，为了避免新版本 V5.0 对 V4 版本中高质量博客 (80 分以上) 的影响，通过函数变换，保证 V4 版本中约 90%的高质量博客仍在 80 分以上。

最后，希望各位用户多多提宝贵的建议，您的建议是我们后续持续优化的动力，感谢！

4. 参考

• 博客质量分计算（三）——发布 version 4
• 博客质量分计算（二）
• 博客质量分计算（一）
• CSDN-AI小组2023-半年-研发总结