小双学社假定有两个项目，项目A是60张赞成票，40张反对票，项目B是550张赞成票，450张反对票。请问，谁应该排在前面？
我们先做如下设定：
(1)每个用户的投票都是独立事件。
(2)用户只有两个选择，要么投赞成票，要么投反对票。
(3)如果投票总人数为n，其中赞成票为k，那么赞成票的比例p就等于k/n。
这是一种统计分布，叫做”二项分布”
p越大，就代表这个项目的好评比例越高，越应该排在前面。但是，p的可信性，取决于有多少人投票，如果样本太小，p就不可信。好在我们已经知道，p是”二项分布”中某个事件的发生概率，因此我们可以计算出p的置信区间。所谓”置信区间”，就是说，以某个概率而言，p会落在的那个区间。比如，某个产品的好评率是80%，但是这个值不一定可信。根据统计学，我们只能说，有95%的把握可以断定，好评率在75%到85%之间，即置信区间是[75%, 85%]。
u表示正例数(好评)，v表示负例数(差评)，n表示实例总数(评论总数)，p表示好评率，z是正态分布的分位数(参数)，S表示最终的威尔逊得分。z一般取值2即可，即95%的置信度。
算法性质：性质：得分S的范围是[0,1)，效果：已经归一化，适合排序
性质：当正例数u为0时，p为0，得分S为0；效果：没有好评，分数最低；
性质：当负例数v为0时，p为1，退化为1/(1 + z^2 / n)，得分S永远小于1；效果：分数具有永久可比性；
性质：当p不变时，n越大，分子减少速度小于分母减少速度，得分S越多，反之亦然；效果：好评率p相同，实例总数n越多，得分S越多；
性质：当n趋于无穷大时，退化为p，得分S由p决定；效果：当评论总数n越多时，好评率p带给得分S的提升越明显；
性质：当分位数z越大时，总数n越重要，好评率p越不重要，反之亦然；效果：z越大，评论总数n越重要，区分度低；z越小，好评率p越重要；
关于z参数，即正太分位数。正太分位数影响wilson得分的分布，z参数取值依据就是样本数的量级。举个例子：同样是100个样本，90个好评，z取值2或6，分数差别很大，
体系所容纳(或区分)的样本数也相差较大(同样是0.82分和90%好评率，z=2需要100个样本，z=6需要1000个样本)，一般而言，样本数的量级越大，z的取值大。
（1）当总票数较小的时候，获得赞同的答案，得分score会迅速增加。总投票数越多，赞同票对得分score的影响越小。同时，投票数较多，得分score较高的答案，开始获得反对票时，得分会快速下降。得分score越低，下降速度越慢。
（2）score 的取值范围为（0,1），且与投票总数无关。(旧算法中，score=加权赞同-加权反对，不同问题之间得分差别较大，无法横向比较）。
（3）n 越小，威尔逊算法的修正效果越强。
权重
之前说到的数值Z就是权重的重要影响系数。目前根据实操情况已知：权重会影响到相同赞同和反对下的回答排名，相同赞同和反对数的回答，权重越高，点赞排名上升越快，反对排名下降越慢。
目前权重官方没有公布计算公式，但经过我们多次测试后发现影响权重的因素，可能有：
• 收藏
• 感谢
• 盐值
• 成为优秀回答者
• 成为付费会员
• 提升盐值
• 实名认证
ps:权重是分领域的。
比如，你经常回答动漫领域的话题，并且在这个领域获得许多赞同，那么动漫话
题的权重可能会增加到 100（假设的）。但你在没有回答过的读书、金融等其他
领域的权重可能还是 0。
盐值
知乎盐值分布范围在 0 – 1000 之间，分值高说明该用户专业友善可信赖。根据注册时的信息完善程度，用户会获得一个 260 – 300 之间的初始盐值。后续盐值的增减随用户的行为累积计算，每周更新一次。
知乎盐值从「基础信用」、「内容创作」、「友善互动」、「遵守规范」、「社区建设」五个维度进行综合计算，每个维度的指数计算原理，可看：
https://www.zhihu.com/term/credit
知乎反作弊机制
设计初衷：
知乎净化社区，防止利益集团，利用推荐机制的漏洞耍阴招，比如恶意踩别人的回答或举报等情况，设计了作弊机制。知乎反作弊机制，常见雷坑：知乎会暂时屏蔽刚发布的回答 10 分钟，即发布回答 10 分钟之内，其他人点击你分享的链接，给你点赞，网页可能会出现 404 错误的提示。
知乎利用这个方法，防止别人快速刷赞。知乎会对刷赞这种作弊行为，进行记录。官方对刷赞行为处罚很重，一旦发现，轻则删除回答（盐值高于 500 或知乎大 V 有1次机会），但一般会把你账号之前获得的点赞清零，即消赞，情节严重的会直接封号。
