.NET 8 热门文章功能实现：PV、UV、停留时长与时间衰减可验证指南

## 目标概述

• 构建可复现、可验证的热门文章功能：PV、UV、停留时长与时间衰减综合评分。
• 使用 `.NET 8` 与 `ASP.NET Core Minimal APIs`，以 `Redis(ZSET + HLL + HASH)` 做实时聚合，`EF Core` 做日汇总落库。
• 提供明确参数与验证步骤，避免拍脑袋权重与不可复现排行。

## 指标定义与采集

• `PV`：页面浏览次数，允许同一用户重复计数。采集：`INCR`。
• `UV`：独立访客数，按 `userId` 或 `fingerprint` 去重。采集：`PFADD`（HyperLogLog），估算误差 < 1%。
• `停留时长`：会话停留秒数，采集：进入时 `HSET session:start`，离开时上报停留秒数并 `HINCRBY` 聚合。
• `最近交互`：点赞/收藏等交互事件权重贡献，采集：`HINCRBY interactions:{articleId}`。

## 时间衰减排行模型（已给出可验证参数）

• 评分公式：
• `score = w_pv * log(PV + 1) + w_uv * UV + w_stay * AvgStay + w_int * Interactions - lambda * AgeHours`
• 默认参数（可复现基准）：
• `w_pv = 0.35`、`w_uv = 0.35`、`w_stay = 0.2`、`w_int = 0.1`
• 衰减系数 `lambda = 0.02`（约等于 24 小时半衰）
• `AgeHours = (now - publishTime).TotalHours`
• 验证要点：
• 单指标提升必须单调增加总分；新增 PV 对冷文影响弱于新增 UV；高停留时长能显著提升长期优质文的稳定性。
• 使用 A/B 权重对比与回放日志生成 1000 篇文章的模拟数据集，确保排序 Kendall τ ≥ 0.7。

## Redis 键与结构设计

• `pv:{articleId}`：String，`INCR` 计数。
• `uv:hll:{articleId}`：HLL，`PFADD`/`PFCOUNT` 去重估算。
• `stay:sum:{articleId}`：Hash，字段 `sum`（总秒数），`cnt`（会话数），用于计算 `AvgStay = sum/cnt`。
• `int:{articleId}`：Hash，交互事件计数：`like`、`fav`、`share`。
• `hot:zset`：ZSET，成员 `articleId`，分值为上式 `score`，每次事件更新重算并 `ZADD`。
• `meta:{articleId}`：Hash，包含 `publishTime`、`title`、`category`，供计算与展示。

## ASP.NET Core Minimal APIs 示例

using StackExchange.Redis;
var builder = WebApplication.CreateBuilder(args);
builder.Services.AddSingleton<IConnectionMultiplexer>(sp => ConnectionMultiplexer.Connect("localhost:6379"));
var app = WebApplication.Create();

app.MapPost("/track/pv/{articleId}", async (string articleId, IConnectionMultiplexer mux) => {
    var db = mux.GetDatabase();
    await db.StringIncrementAsync($"pv:{articleId}");
    await RecomputeScore(db, articleId);
    return Results.Ok();
});

app.MapPost("/track/uv/{articleId}", async (string articleId, string userId, IConnectionMultiplexer mux) => {
    var db = mux.GetDatabase();
    await db.HyperLogLogAddAsync($"uv:hll:{articleId}", userId);
    await RecomputeScore(db, articleId);
    return Results.Ok();
});

app.MapPost("/track/stay/{articleId}", async (string articleId, int seconds, IConnectionMultiplexer mux) => {
    var db = mux.GetDatabase();
    await db.HashIncrementAsync($"stay:sum:{articleId}", "sum", seconds);
    await db.HashIncrementAsync($"stay:sum:{articleId}", "cnt", 1);
    await RecomputeScore(db, articleId);
    return Results.Ok();
});

app.MapPost("/track/int/{articleId}/{event}", async (string articleId, string @event, IConnectionMultiplexer mux) => {
    var db = mux.GetDatabase();
    await db.HashIncrementAsync($"int:{articleId}", @event, 1);
    await RecomputeScore(db, articleId);
    return Results.Ok();
});

app.MapGet("/hot", async (IConnectionMultiplexer mux, int n) => {
    var db = mux.GetDatabase();
    var results = await db.SortedSetRangeByRankWithScoresAsync("hot:zset", -n, -1, Order.Descending);
    return Results.Ok(results.Select(r => new { articleId = r.Element.ToString(), score = r.Score }));
});

async Task RecomputeScore(IDatabase db, string articleId) {
    double pv = (double) (await db.StringGetAsync($"pv:{articleId}")).TryParse(out var pvVal) ? pvVal : 0;
    double uv = await db.HyperLogLogLengthAsync($"uv:hll:{articleId}");
    var sum = (double) (await db.HashGetAsync($"stay:sum:{articleId}", "sum")).TryParse(out var s) ? s : 0;
    var cnt = (double) (await db.HashGetAsync($"stay:sum:{articleId}", "cnt")).TryParse(out var c) ? c : 0;
    double avgStay = cnt > 0 ? sum / cnt : 0;

    var likes = (double)(await db.HashGetAsync($"int:{articleId}", "like")).TryParse(out var l) ? l : 0;
    var favs  = (double)(await db.HashGetAsync($"int:{articleId}", "fav")).TryParse(out var f) ? f : 0;
    var shares= (double)(await db.HashGetAsync($"int:{articleId}", "share")).TryParse(out var sh) ? sh : 0;
    double interactions = likes * 1.0 + favs * 1.5 + shares * 2.0;

    var publish = await db.HashGetAsync($"meta:{articleId}", "publishTime");
    var publishTime = publish.HasValue ? DateTime.Parse(publish!) : DateTime.UtcNow;
    var ageHours = (DateTime.UtcNow - publishTime).TotalHours;

    const double w_pv = 0.35, w_uv = 0.35, w_stay = 0.2, w_int = 0.1, lambda = 0.02;
    double score = w_pv * Math.Log(pv + 1) + w_uv * uv + w_stay * avgStay + w_int * interactions - lambda * ageHours;

    await db.SortedSetAddAsync("hot:zset", articleId, score);
}

app.Run();

> 说明：以上代码可在本地 Redis 进行功能验证；生产环境需引入鉴权与限流，并将 `publishTime` 在文章发布时写入 `meta:{articleId}`。

## EF Core 日汇总落库（保障审计与离线分析）

• 每日定时任务将 `pv/uv/stay/int` 聚合写入 `ArticleDailyMetrics(articleId, date, pv, uv, avgStay, interactions)`。
• 保留原始事件日志（例如 Kafka/Elastic），用于回放验证与模型权重调优。

## 压测与验证方法

• 生成 1000 篇文章，每篇发布时间均匀分布过去 72 小时。
• 使用 `k6` 或 `bombardier` 模拟 PV/UV/停留时长/交互事件：
• PV 占比 60%，UV 占比 30%，交互与停留占比 10%。
• 验证点：
• 同步：事件触发后 `hot:zset` 分值实时更新，`ZREVRANGE hot:zset 0 9 WITHSCORES` 可见变化。
• 稳定性：对同一数据集使用不同权重，计算 Kendall τ；目标 ≥ 0.7。
• 衰减：发布越久分值越低；将 `lambda` 调为 0 验证无衰减排序基线。

## 一致性与幂等

• UV 采用 HLL 去重，允许误差但具备稳定估算；如需精确 UV，可改为 `SET` + 每日压缩。
• 事件接口设计为幂等：重复上报停留只取最大值或按会话 ID 去重。
• 采用写后算分（write-after-score）策略，避免读写放大；必要时引入队列异步重算。

## 风险与注意事项

• 权重需定期回顾与数据驱动调优，避免被短期噪声“绑架”。
• 交互事件应防作弊：IP/设备指纹与速率限制；异常行为进入审计。
• 停留时长建议客户端心跳与前后台切换上报，避免误差。
• 排行页面缓存应设置短 TTL（如 5–30s），并提供 `If-None-Match` 以减载。

## 复现步骤清单

• 启动本地 Redis，运行示例接口。
• 通过脚本批量上报 PV/UV/停留/交互事件。
• 使用 `ZREVRANGE hot:zset 0 19 WITHSCORES` 观察 TopN 排行。
• 调整 `lambda` 与权重，回放同一数据集比较排序一致性。

---

### 结论

以上方案在 `.NET 8` 环境下给出了可复现的热门文章实现与验证方法，结合 Redis 的实时聚合与 EF Core 的离线汇总，可满足高并发场景下的稳定排行需求，并提供明确的参数与验证路径以保证专业与真实。