二次方文章投票用于策展的实验

目前dmatters有全部matters文章列表，希望通过二次方投票机制来排序，用于发现那些被错过的好文章。激进市场的其他想法也会去实现。

本质上是一种简洁、开源、透明、可解释的推荐算法，个性化推荐也会考虑。 团队也有深度学习经验，但希望与常见的不透明的推荐算法做出差异。

初步设定规则如下

• 投票采用Likecoin转账，每篇作品采用独立的账户地址，或者采用转账时在memo字段加上作品hash。
• 初期为了简单起见，投票可以先声明，之后再一次性转账
• 每个人的投票数为floor(log(x,10)), x为转账总额 也就是几位数就是(几-1)票
• 允许自己给自己投票，单个地址上限为2票。但不允许开小号给自己投过大金额的票，为了避免作弊，可以考虑做投票者的简单KYC（保护隐私的情况下）

我个人的投票方式

• 除了手动投票，设定自动投票方式，便于dmatters冷启动
• 每篇文章最多投2票，也就是最多自动转账100like （大约1美元）
• 自动转账like数为： floor(log(被点赞次数+0.1,10)) + floor(log(被评论次数+0.1,10)) + floor(log(标签个数+0.1,10)+1)2 + floor(log(关联其他文章个数+0.1,10)+1)2 + floor(log(被其他文章关联个数+0.1,10)+1)*3 假定一篇文章100赞，10评论，2标签，2次关联其他文章，8次被其他文章关联， like数为2+1+2+2+3=10 刚好1票

策展方式

• 不同的策展平台自行决定
• dmatters对投票结果至少为1票的进行策展展示，按照票数排序。票数相同者，去掉公式中的floor来排序

赞赏=投票=策展奖励

• 基金会对于一定阶段策展排行topN的进行额外奖励，鼓励赞赏和投票

对抗作弊

• 如果发现类似作弊的现象，可以邀请投票者向公证人账户转账少量金额。能略微对抗刷票者。
• 如果发现类似作弊的现象，可以对作品收取少量策展费，能略微对抗刷票的文章
• 机器学习数据分析，发现刷票现象
• 策展平台在明显公示的情况下，可以取消部分作品的在主要排序方式中的展示

相关质疑与解释

credibility 我相信并不是被人数的多寡来决定的，比如今天中国 13 亿人，那人数多的那一方决定的事情就是正确的么。 像科学本身是无争议的，我相信科学哲学已经表明了这一点。 但是像社会学科以及其包括的政治和社会学是很大程度被不同族群所认知的方式来决定的。 我最近仔细的想了想，虽然在 chain 上比如 IPFS 能抢占一个战略地位。但是一个产品吸引用户的应该是产品力，而 Chain 更像是产品架构，是用来推进治理的有效方式。 就像一个公司的架构是双 CEO 制度一样，这个治理架构是可以不被用户知道的。 ``` 现在是两个项目，1 dmatters=ipfs indexer/searchengine=rss3 reader=likecoin-dapp ； 2 协作的知识写作工具，让多版本信息共存 对于dmatters , 现在的排序策略是，尽量让人通过标签来寻找内容，而非依靠排序。 当一定要依靠排序时，完全不考虑时间因素， 其他的因素还在设计中， 赞助的人数的多寡肯定不是重要因素（注意已经通过二次方投票进行了降权） ，当前我认为可靠的因素是：该作品被关联次数二次方加权>该作品主动关联其他作品次数二次方加权>该作品标签数二次方加权>该作品被赞赏金额的二次方加权（有需要时再二次方加权一次） 最终每个人的推荐权重（编辑专业程度）也会类似 h 指数 i10 指数 reddit karma 来代表。

任何规则都有漏洞，规则也是在不断进化中（关键是这个贵哦是透明的，且开放参与的），因为现在大家很少在文章中互相引用，否则pagerank也可以是其中一个指标。

人数只是非常弱的一个影响因子，首先每个人能投的票已经二次加权且有上限的，如果最终再次二次方投票，影响就会更小了 。
现在是无法判定每个人的专业程度， 科学是因为有科学共同体以及科学本身更客观。
如果最终能有公式能衡量推荐的质量指数，也会考虑进去的。 公式本身也可以链上投票不断改进。 另外，无法抽象的说某影响因子完全没用，还是靠修改公式变动其权重来做实验。 这个没有理论上的最优解。
最终是靠多样化的入口来竞争，优胜劣汰，只要开放度足够，可以让劣币驱逐良币的可能性降低的。 ```

产品力

• 透明可协作进化的排序机制是产品力中很小的一部分