Bilibili Analyzer 的热度评分与趋势分析方法

方法主线

这套方法的目标很明确：

从持续采集的视频统计数据里构造可解释的热度指标，再据此识别趋势、曲线模式和内容机会。

原始数据来自 B 站公开 API，字段包括播放、弹幕、评论、收藏、投币、分享、点赞、发布时间、分区、标题和 UP 主信息。字段本身只能描述当前状态；分析层负责把它们处理成可比较、可解释的信号。

热度分五阶段流水线

热度分按五个阶段计算，每一步都只处理一个问题。

1. 数据清洗

采集到的统计字段可能缺失，也可能出现异常负值。清洗阶段补全缺失指标，并将异常负值截断为 0。

输入指标包括：

• view
• danmaku
• reply
• favorite
• coin
• share
• like

这一步不改变指标含义，只保证后续计算不会被 API 返回的边界值打断。

2. 对数归一化

B 站视频数据通常呈幂律分布：少数爆款占据极高播放量，大量普通视频集中在中低区间。

线性归一化会让极端爆款拉开过大的差距，普通视频之间的区别会被压扁。系统因此采用：

log(1 + x) / log(1 + max)

这个变换压缩量级差异，同时保留中腰部视频之间的相对差别。

3. 熵权法赋权

热度不能只看播放量。播放量反映曝光，收藏、投币和分享则更接近用户的主动认可。

系统用熵权法确定指标权重。权重来自样本的信息熵差异，区分度越高的指标占比越高。

当前权重中，硬币、分享、弹幕和收藏靠前，播放量权重较低。播放量高不一定说明内容获得了更深的认可，而投币和分享通常需要更明确的用户动机。

4. 时间衰减

不做时间衰减时，旧爆款会长期占据排序前列，新内容很难进入观察范围。

系统使用指数衰减：

score * e^(-lambda * days)

其中 lambda = 0.01。这个值避免内容在一天内快速失去权重，也限制旧内容长期占据高位。

5. 输出最终热度分

最终热度分是可排序、可对比的综合指标。它用于榜单，也会写入时间序列快照，供后续曲线分析使用。

爆发指数

热度分描述当前综合表现，爆发指数判断内容是否正在起势。

爆发指数包含五个维度：

• 增长力：播放增长率，用对数压缩极端增长。
• 互动度：弹幕、评论和分享相对播放量的密度。
• 收藏价值：收藏率，代表长尾价值。
• 新鲜度：发布时间越近，权重越高。
• 加速度：热度变化的二阶差分，用来识别持续上升还是开始衰退。

五项特征加权后得到 0 到 100 的爆发指数，再通过 sigmoid 映射为爆发概率。

它可以作为“短期趋势预测指标”描述。这里不是严格意义上的机器学习预测模型，但特征、权重和解释路径都是明确的，适合放进工程系统。

热度曲线与生命周期

每次采集都会在 snapshots 表保存一条快照，单个视频因此形成热度时间序列。

系统基于热度曲线计算：

• 速度：相邻快照的热度差。
• 加速度：相邻速度的变化。
• 生命周期阶段：启动期、爆发期、峰值期、衰退期或平台期。

单个热度分无法区分上升和回落。两个视频当前分数相同，但一个正在上升、另一个正在下降时，后续观察价值并不一样。

KMeans 曲线聚类

为了识别典型演化模式，系统将时间窗口内的热度曲线插值到统一网格，再使用 KMeans 聚类。

聚类关注曲线形状，不关注绝对热度高低。每条曲线先标准化，再交给模型识别增长型、爆发型和衰退型等模式。

聚类结果可以解释为几类内容生命周期：

• 持续增长型
• 快速爆发型
• 高开低走型
• 二次爆发型
• 平稳波动型

结果可作为“热度演化模式分析”的材料。

Apriori 关联规则

内容洞察模块将每条视频编码为事务项：

• 分区
• 时长桶
• 发布时间段
• 弹幕率、点赞率、收藏率、投币率、分享率区间
• 标题关键词

随后以高播放视频为目标，用 Apriori 挖掘关联规则。

规则形式类似：

{分区=游戏, 时段=晚上, 点赞率=高} -> 高播放

评价指标包括 support、confidence 和 lift。它关注的不是单个词频，而是哪些特征组合更常出现在高播放视频中。

推荐回测

项目保留了离线评估报告，用混合推荐策略与基线方法进行对比。

当前报告中：

• 混合推荐：Precision 0.0042，Recall 0.0722，F1 0.0079
• 纯热度排序：Precision 0.0032，Recall 0.0515，F1 0.0060
• 随机推荐：Precision 0.0，Recall 0.0，F1 0.0

这些数值的绝对大小不高，但混合推荐相对纯热度排序有所提升，同时保持较高 diversity。它们可以作为推荐策略相对基线有效的离线证据。

论文写作角度

这套方法更适合按工程型论文展开，而不是包装成纯算法研究。

写作重点可以放在：

1. 如何采集和持久化实时视频数据。
2. 如何构造可解释的热度评分。
3. 如何从时间序列中识别增长和衰退。
4. 如何用关联规则和聚类辅助内容洞察。
5. 如何通过离线回测评估推荐策略。

可以用下面这句话概括：

系统通过公开数据采集、时间序列快照和多指标分析，为 B 站创作者提供可解释的内容趋势判断依据。