Bilibili Analyzer 的热度评分与趋势分析方法
将公开视频统计数据转换为可排序、可追踪的热度与趋势信号。
数据分析算法推荐评估
适用场景
热度评分适合处理多个量纲不同的公开视频指标，例如播放、点赞、投币、收藏、分享、评论和弹幕。目标不是给内容下结论，而是把当前表现和时间变化整理成可比较的信号。
评分链路
数据先经过清洗，再进入五个步骤：
- 处理缺失值、异常值和不完整记录。
- 对高偏态指标做对数归一化，降低极端播放量的支配作用。
- 用熵权法根据指标差异度计算权重。
- 结合发布时间加入时间衰减，避免旧内容长期占据排序。
- 汇总各项指标，输出最终热度分。
这个流程把原始统计数字转成可排序结果，同时保留各项互动指标对结果的影响。
趋势而不只是排序
单次热度分只能描述当前状态。要观察趋势，需要为同一个视频持续保存快照，再计算增长率、互动密度和爆发指数。
曲线聚类可以把相似增长形态归为一类，帮助识别快速爆发、平稳增长或后期回升等模式。关联规则用于观察标签、分区和互动行为之间的共同出现关系；推荐评估则用于检查相似内容或选题建议是否有参考价值。
使用边界
评分结果依赖采样频率、指标质量和时间窗口。它适合作为观察和筛选入口，不替代人工判断，也不应脱离内容类型、发布时间和分区语境解释。