如何评价知乎的回答排序算法？

社区在 2014 年 12 月上线了新的回答排序算法，详情见「社区如何对回答进行排序？你的一票很重要。」。


文章中提到的「威尔逊得分」算法表示为：

其中 u 为加权赞同票数，v 为加权反对票数，
为参数

为什么这个算法适合用来做社区的回答排序？它有哪些优点和缺点？

@chenqin@苏莉安@Gary Wang@曾加 的回答都很好，我希望从social network和median voter theorem角度略加补充，算是抛砖引玉。

不过首先，我想说社区这次对排序算法的改变是很大胆的，也是有较好的理论基础的，作为数据控，I applaud you. 总的来说，我对这次改变的前景还是相对乐观的。虽然新算法会引发一些原有问题下的排序大地震，不过这其实一部分是因为原有的排序反映了大家在原有排序算法的框架下的投票心态和行为，而在这种框架下产生的高排名答案可能并不适应新的框架。不过一旦大家开始自动适应新的算法，大家的投票行为也会发生相应改变，而以后新问题下的排序应该不会像现在一些旧问题下的排序那样看不懂。另外，在接下来几个月里，相关算法应该还是会不断改进，最明显的比如公式里的
参数，这些改进也会体现社区对自己的定位和期望。希望社区能顶住开始几个月的举报投诉狂潮，不断完善算法，并适当指引和帮助用户们了解和适应新的框架。

好，开始正文。

我觉得新算法的一个潜在问题是对高票回答的惩罚可能会过于严重，而这个惩罚不仅是
参数层面的问题，还跟社会网络的内在属性和不同人群在社会网络中的分布规律有关。

简单地说，就是随着一个答案票数和曝光量的增加，这个答案也在社会网络中越传越广，而一个答案触及到的社会网络范围越广，看到这个答案的人群也会越多样，而赞同/反对比也几乎一定会下降（下面详细解释）。同时我们考虑到，在
比较低的情况下（其他几个回答也说了，旧的算法在一些层面有点像一个
比较高的算法，而根据大家的感觉，现在的
还是定得比较低的），赞同/反对比对排序相对更重要。也就是说一个答案的赞同数和曝光量越高，排名可能会越低，这个似乎会有些不合理。一方面作者会很受伤，一方面后来的用户会根本看不到这些高票回答。

接下来稍微详细说一下。

这里主要讨论的是那些有比较明显阵营、派别、正反方的话题，而一些所有人都喜闻乐见的话题受这方面影响较少。

社区总的来说还是一个社交网站，大家关注、投票的回答大多数应该还是来自时间轴，而时间轴主要由用户关注的人组成（这里有两点要注意：1.社区的“发现”栏目、各类收藏夹、社区日报等也提供了一些alternative exposure渠道，但时间轴应该还是最主要的渠道之一，当然这是个实证问题；2. 社区的“新版首页动态”不完全是关注对象的内容，但考虑到背后的机制仍然是homophily，因此不影响结论）。

而社交网络最重要的特征就是homophily（同质化），说白了就是人以类聚：你在各种社交网络上的好友、关注你的人和你关注的人往往跟你在一些方面比较相像，比如年龄相近，三观相近，地域接近，兴趣相仿。在社区上，这种趋势就体现在对同一领域感兴趣的用户间的关注量更高，密度也更大，而对不同领域感兴趣的用户间往往关注不多。同理，对同一话题持不同或对立观点的人群间一般也很少互相关注，比如中医粉和中医黑（或者任何的粉和黑），所谓的左派右派，女权支持者和反对者等等。也就是说，不同的人群在社交网络上的分布不是随机和平均的，而是高度集中的圈子，兴趣、三观等相近的人一般在社交网络上挨得更近，也更容易互相看到时间轴，而比较不同的人群很可能老死不相往来（最极端的例子当然就是拉黑了），互相圈子里的热门话题或回答很可能要过好久才能传到对方圈子。

那么这样的社会网络结构会对赞同/反对比和排序造成什么印象呢？

一个回答刚发表时，出现在了答主所有关注者的时间轴上，而这些关注者跟答主一般会比较相像，也更可能会点赞同，所以一个回答刚开始收到的一般都是自己圈子里的赞同，而很少会收到反对。不过一旦这个回答票数高到一定程度，它触及到的社交网络就像水中的涟漪一样扩散开去，并慢慢越过自己的小圈子，越过小圈子所属的父级大圈子，最终甚至会触及到持反对观点的那个圈子。在这个传播过程中，这个回答触及到的用户越来越多样化，与答主持相似观点的可能性也越来越低，而赞同/反对比也会逐渐下降，而当最终对立圈子的用户也开始大量关注和投票，这个回答的赞同/反对比就会开始迅速下降，如果对立圈子的人数够多，甚至可以把这个回答的赞同/反对比颠倒过来，而大家一般对高票回答是不会吝惜手中的反对票的。

这也就会产生一个枪打出头鸟的结果：最受欢迎的最火的回答，几乎一定会在某个时刻进入对立圈子的领地，然后就被爆头了。如果要排序高，最好就是有足够的曝光度，但又不至于曝光到被对立圈子发现...

下面用YouTube做个例子：

YouTube每个视频下面都有类似赞同和反对的投票，与社区不同的是，反对票的数量也是显示的。

每个视频作者有自己的频道，而用户可以订阅各种频道，每个频道发了什么新视频就会通知所有订阅者，相当于社区的关注。很显然，用户订阅这个频道是因为喜欢和认同这个频道的内容，否则一般没人闲得慌去订阅自己看不惯的频道。这就是很明显的同质性趋势。

而几乎所有频道新发布的视频的前几十票到几千票（取决于频道的订阅数）基本都来自自己的订阅者，所以这时的赞同/反对比往往都是50:1，100:1甚至500:1级别的，因为这时基本还只是小圈子内部的自娱自乐，当然没人投反对票。不过一旦视频开始火了，被别的频道like了，被YouTube推荐了，被用户分享到其他平台了，看这个视频的人也开始多元化，反对票也就来了。

比如YouTube最好的科普频道之一SciShow（换成其他科普频道也差不多），它的视频的前一千票左右的赞同/反对比一般高得惊人，往往可以200:1甚至500:1，因为这时看这个视频的都是科普爱好者，或是比较有科学素养的人，或是作者的脑残粉，随着视频点击量上升，最终比例会稳定在100:1左右。但偶尔他们讲到演化论相关话题，然后个别视频不知怎么的视频被一些阴谋论团体、保守派宗教团体、反“科学教”团体发现了，对美国有些了解的人会知道这几个团体是多么憎恨演化论，然后我们就看到赞同反对比迅速下降，可能从100:1跌到10:1。但奇怪的是，SciShow讲演化论的视频其实很多，但只有其中几个被狂踩，但这几个被狂踩的在内容上跟其他一些幸免的相比没什么差异，但就是由于他们稍微太火了一点，到了反演化论阵营的领地，于是“出头鸟”就被“爆头”了。

接下来换个角度说同一个问题。

政治学在研究选举时有一个非常有名的理论叫Median Voter Theorem (中间选民定理)，简单说就是假设所有选民在政治光谱上的分布近似于正态分布，那么在只有两个候选人的情况下（比如美国大选），两个候选人为了获得更多的票数，最理性的做法就是让自己的政见尽量向中间靠拢。推导过程和更严谨的前提假设请看Median voter theorem。也就是说，理论上一个政治上完全中立，不偏左也不偏右的候选人会永远战胜另一个有倾向性的候选人。所以美国在上世纪五六十年代的许多选举中遇到最大的问题不是共和党民主党候选人互黑太严重，而是两个候选人实在太像了，因为他们都想尽量取悦中间选民。所以那时候媒体采访候选人时最重要的一个问题往往是“你能不能说一下你跟XXX的区别在哪里”...这在近几次选举中简直是不能想象的。关于为什么最近几十年中间选民定理似乎在美国越来越不适用，一个理论是说选民在政治光谱上的分布不再是正态分布，而更像是双峰分布，且两个峰值越差越远，所以两党候选人就开始尽量取悦自己这边的中间选民，导致两极分化越来越严重。

说回社区的问题。一旦一个回答在社交网络上传播越来越广，其读者对相关话题的态度也越来越呈现正态分布，且均值越来越接近社区整体的均值，而对于那些明显支持某一方观点的回答，这一趋势也意味着自己离“中间选民”越来越远。用极限法看，如果一个回答被社区上所有人看到了，且假设每个人都进行了投票，那么赞同/反对率最高的很可能是最中立的回答，因为它既有一定质量能吸引到一定的赞，又不至于惹到两边阵营的反对票。更多关于“中间选民理论”对社区的启示请看评论中 @黄涛 的留言。

一个相关的例子可能上过社区日报的人会深有体会。往往一个在社区内部很受欢迎的回答，在社区日报的评论里会被骂得很惨，有时甚至会招来日报观光团在评论里排着队的谩骂攻击。这是因为社区内部用户和社区日报面向的更大群体在很多问题上的态度区别明显，是两个截然不同的分布曲线，而两个曲线的“中间选民”自然也不同，在社区的中立答案到了日报就可能变成有明显偏向性的了。这一现象用之前的“枪打出头鸟”角度看的话，那么上日报就是被活活举到高处，当人肉靶子。所以在注重赞同/反对比的新算法下，上日报对于某些话题下的回答来说很可能会变成一件坏事...

总结

在新排序算法下，社区的社交网站属性和高度同质性特征会对一些有明显站队倾向的问题下的高票回答产生更严重的惩罚效果。同时新排序算法也可能使“中间选民”效应更加明显。其中一个可以预期的结果就是一些话题下站队和极端对立的情况会少许多。

这些变化到底是好是坏还很难说，要看社区对自己的定位到底是怎样，要看用户对新算法如何适应，同时对不同话题的影响也会有很大差异。

本文其实干货不多，许多地方只能靠猜，没法定量得到结果，也无法给社区提出更有建设性的意见。希望更专业的人能够进行指点和补充。

以下是一些caveats:

• 社区在多大程度上是社交网站？用户对某个问题的接触更多的是来自自己的network还是其他渠道？
• 社区各个人群的同质性趋势有多明显？不同圈子间距离有多远，联系有多紧密？
• “枪打出头鸟”里“出头”的界限在哪？是什么决定了有些回答更容易“出头”？
• 社区的用户分布能看成是正态分布吗？
• 对不同话题的影响到底差多少？
• 社区这次关于用户权重的改变会与以上这些趋势产生怎样的互动？

……

利益相关：性别平等、种族平等问题下的专业人肉靶子，宗教、中医问题也有回答。

了解社区调整回答排序的背景可以看这篇专栏文章——
黄涛：社区如何对回答进行排序？你的一票很重要。社区使用的回答排序「威尔逊得分」算法表示为：

其中u为加权赞同票数，v为加权反对票数，
为参数

这个算法中用来做排序依据的得分的更严谨的名称是「二项分布样本的威尔逊置信区间下界」。计算公式是在 1927 年由数学家 Edwin B. Wilson 发展得到的 [1]，用来对二项分布进行参数估计。2009 年芝加哥的软件工程师 Evan Miller 提出 [2]，可以用威尔逊置信区间的下界对具有正负双向投票的系统进行排序。在我最初通过煎蛋的介绍 [3] 了解到这个算法时，便立即被它的很多优良特性所吸引：

• 投票总数增加时，得分趋向于正向反馈占总反馈的比例，对于内容质量有较强的解释性。
  
• 在总票数较少（个位数投票）和极端参数（真实比例接近 0 或 100%）的情形下，结果也能具有较高的准确性。
• 置信区间大小可以通过参数控制。
• 虽然二项分布是离散模型，但是由于得分表达式关于正负反馈次数的函数是连续的，因此可以引入非整数的投票（加权投票），同时不改变算法性质。
• 得分的取值范围是 (0,1)，与投票总数无关。因此可以间接地用来对不同问题下的回答做归一化的质量比较。

下面这两张图可以比较直观地显示威尔逊得分算法的几个重要特性。

为方便讨论，依次称左图中 up-vote, down-vote, score 对应的轴为 x,y,z 轴。右图为左图的等高线图。

左图的整体曲面形状，与通常理解中赞同票、反对票和回答质量的对应关系是相符的。固定反对票，赞同票越多得分越高；固定赞同票，反对越多得分越低；固定赞同与反对的比例，总票数越高得分越高。


总投票数较少时，回答如果获得投票，得分会快速增加，总票数越大增加速度越慢。体现为垂直 y 轴的平面截得的曲线斜率对 x 恒正且单调下降。同时，赞同数较高的回答，开始获得反对票时，得分会快速下降，总反对数越大下降速度越慢。垂直 x 轴的平面截得的曲线斜率对 y 恒负且单调上升。


对老版算法，对应函数 z = x - y，也不难画出上面两个图（这么简单的表达式，相信很多人闭上眼睛就已经把图画出来了）。老版算法的得分曲面实际为平面，因此各种截线都是平行直线（斜率为固定常数），右图等高线也是平行直线。


相对而言，新版算法对应的等高线图，等高线比老版更密集 [4]，因此跨越等高线更容易。这也是新排序机制的上线说明中，我们说新算法能够做到对单次投票更加敏感的根本原因。


另一方面，函数曲面连续光滑，使得这个算法可以很好的处理浮点数投票，支持社区已有的用户话题权重机制。二者有机结合，让回答排序更符合真实的内容质量。


当然，使用威尔逊得分来决定排序也远非完善。不同的回答获得投票的能力不同，这一点受很多因素影响，包括作者的文风、内容是否属于专业领域等。这些差异目前还没有在算法中得到体现。


另一个问题是，算法在 x = 0 时函数取值收敛为 0，无法对赞同为 0 但有不同反对票数的回答进行排序。我们的处理方式是默认所有回答者对自己的回答投了一票赞同。这样不仅解决了这个问题，还能让回答者的权重参与到排序的计算中。


威尔逊得分是一个简单强大，但是价值还没有被充分发掘的算法。至今，世界范围内应用了这个算法的著名网站仍然寥寥无几 [5]。近几年开始见到一些应用较广的开源库支持威尔逊得分，关于它的讨论似乎也在逐渐增加 [6]，还是很让人开心的。我也希望借此次社区排序算法升级，把这个算法介绍给更多国内的团队，希望能对大家有所助益。


注:
1. Binomial Proportion Confidence Interval - Wilson Score Interval - Wikipedia
2. How Not To Sort By Average Rating - Evan Miller
3. Reddit 的评论排序新算法 - 煎蛋
4. 新老算法的函数值域分别是 (0, 1) 和
，不能直接比较，此处表述不严谨但不影响结论。
5. 目前我知道的包括 Reddit, Yelp 和 Digg，欢迎评论补充。
6. wilson-score - npm, Wilson score interval on corp.ling.stats, Visualising the Wilson score for ratings

说明：本回答成文于 2014 年 12 月 5 日，之后只有链接补充和错别字修改，没有修改过内容。

看了一下这个算法，根据不同的
，只要一个答案能获得让赞同率开始起作用的赞同数，且他的赞同比例不低，这个回答就能排名靠前。


设置得越高，绝对赞同数就越重要，反之设置较低时，赞同率就越重要。当
等于0时，赞同率将起到全部作用。比如一个1000赞，100反对的回答，当
等于0.73时，其分数将完全等于一个1赞0反对的回答。

当
增大时，绝对赞同数起的作用就开始增大。举一个例子，两个回答，前者100赞30反对，后者70赞0反对，那么当
小于21时，后者排名靠前，当
大于21时，前者排名靠前。

在这个算法下，假设我们有一个给定的接近于0的
，那么倾向于某一个有争议观点的答案将不会有机会排名靠前，无论左右，因为他必定会收获很多反对票。

比如对于“如何评价”之类的问题，如果恰好这个问题又比较有争议，那么强烈倾向某一方的答案必定排名靠后，取而代之的是相对「中立」，比较「不得罪人」，可能又有一些「干货」的答案。

比如这个问题：为什么有些学科学的人对实证科学以外的体系（如中医）抱有敌意和忽视？ - 批判性思维

原本的第一名是这个为什么有些学科学的人对实证科学以外的体系（如中医）抱有敌意和忽视？ - 社区用户的回答，现在已经完全没法找到了。

排名第二的13票答案为什么有些学科学的人对实证科学以外的体系（如中医）抱有敌意和忽视？ - 真不很知名的回答，是一个上来就各打五十大板的回答；

排名第三的8票回答为什么有些学科学的人对实证科学以外的体系（如中医）抱有敌意和忽视？ - 憶记的回答，完全撇开了中医在讲哲学，有人会反对他吗？

排名第四的1票回答为什么有些学科学的人对实证科学以外的体系（如中医）抱有敌意和忽视？ - 枕水的回答……看来是一个完全没有人关注的回答。

但是很显然，这个无人关注的回答超过了排名第五的326票的回答为什么有些学科学的人对实证科学以外的体系（如中医）抱有敌意和忽视？ - 猪小宝的回答以及排名第六473票的回答为什么有些学科学的人对实证科学以外的体系（如中医）抱有敌意和忽视？ - 田吉顺的回答，只是因为后两者表达了明确的「态度」，因此收获了一堆反对票。

原本排名第一的 @王至 的回答，不评价其观点的话，整个答案确实提供了一些很有趣的思路。虽然他必然会收获一些反对，但因此就把他排到一个谁都找不到的位置上，比那些零票答案更靠后，是不是合理？

@田吉顺 自己身为医生，在医学领域应当有更高的权重，这个回答本身也包括许多有趣的内容，却因为在基本观点上表达了对中医的支持，就因为赞同率过低掉到了1票答案的后面，是不是合理？

类似的情况还有很多，比如如何看待 Fenng 微博中关于「吸毒」的言论？ - 法律，第一名的匿名答案应该是 @陳浩 的，他在分析论文里的图，没有直接表达观点，真正表达观点的回答在收获了对方辩友的一堆反对票之后，全排在后面。对那些容易引起争论的回答，大家可以自己搜索看看，比如韩寒方舟子文革什么的，十有八九第一名都发生了变化。

因此，排名是否合理，要看社区想要展示什么答案。对大多数客观问题来说，正确的答案就等于赞同最高的答案也等于最适合向公众展示的答案。但对于一些有争议的问题，应该展示那些「安全无害」，不得罪谁的答案，还是展示那些确实表达了观点，但是有争议的答案？

之前按照净赞同来排序的方法，确实会导致一些煽动性较强但实际上错误的答案排名第一，这可能不是社区想要看到的。但现在的算法，对中医这题来说导致的排序结果，是社区想看到的吗？对于这个应该全局统一的
，是不是应该更加审慎，或者是干脆根据不同的领域设置不同的
？

当然，当知友们发现根据新算法在这些争议性问题里排名靠前的答案看起来有一些无趣的时候，他们可能会根据新的排名系统贡献一些「又理性又客观又中立又干货满满还十分有趣」的回答，既获得高赞同，又获得高赞同率。但要满足这些所有的要求，又谈何容易呢？人毕竟不是机器，如果每题都要照顾所有人情绪小心地写，是不是太吃力了。

谢谢 @黄涛 的邀请，以及 @Mabel 和   @高飞龙 在另外两个类似问题下的邀请。

很明显的是，新的排序方式的确对一些低质量或高嘲讽的答案排在了后头，尤其是打压了自然科学区那些“有趣”但并无科学性的高票答案。
但同样地，部分话题的排序看起来完全乱了套。
这些话题包括但不局限于：影评，女权，中医，左右派之争。


后三者争议实在太大，暂且不论。我们来看一下影评：
如何评价电影《后会无期》？ - 如何评价 X
（这可能是社区最火的影评问题）

这个问题下：原来前三名是很稳定的：
第一名是 采铜 的回答：1.2 w 赞同
第二名是 朱炫 的回答：1.3 w 赞同 （收到的反对票比 采铜 多）
第三名是 橙树花开 的回答： 9100+ 赞同

其中，采铜 和 橙树花开都对电影表示赞赏，朱炫 表示批评。

现在呢？
采铜 的答案 排名 第 24
朱炫 的答案 排名 第 30
橙树花开 的答案 排名 第 11

全部跌出了前10！

现在的第一名 笑忘书 的回答只有 1700 赞同
第二名 的 真不很知名 的回答只有 110 赞同
第三名 的 Qi Ma 的回答只有 170 赞同

按照以前的算法，他们的排名都进不了前 10！后两个甚至在 30 开外！


这三个回答有什么共同特点呢？ 他们都没有给电影本身 作出一个 “好” 或者 “不好” 的评价。

以上说明了什么？

它说明在影评，尤其是有争议的影评中， 给电影 作出一个 “好” 或者 “不好” 的评价 是极其容易吃反对票的。

不是我黑社区用户，实际上，我认为大部分点“反对”的人其实并没有仔细看完影评，他们来这个问题，有可能仅仅是来寻找认同感的。如果你的评价和他们的感觉不同，不管你说了啥，说得多么客观有理，只要你下了结论，“反对”就来了。

尤其是本问题下，采铜 和 朱炫 的答案，由于长期在前二，吃到的反对肯定更多。而在后面的答案，由于曝光度不够，吃不到那么多反对的。


那么，是不是说明，这种排序方式，似乎并不合理呢？

未必。

我们需要意识到一点： 采铜 和 朱炫 的答案，之所以收到如此多的赞同和反对，除了他们自身的粉丝多以外，还有一个重要的原因，那就是他们的答案长期在前两名，有着极高的曝光度。试想，一个排在20名以后的答案，除了你的粉丝会看，其他人大部分都不会有精力去一个个看过来。

有因才有果，如果因变了，果也会变。

如果在那个问题提出时，回答的排序方式就和现在一样，那么，采铜 和 朱炫 的答案由于容易吃到反对，一开始就不会高高在上，所以也不会有那么高的曝光率，自然也不会有那么多的赞同和反对。而那些现在排在前面的低赞同回答，由于有了更高的曝光率，它们也会吃到数量一定的反对票，因此也未必能一直在前面。
（另外3个话题也有类似的效果）

现在看上去很“混乱”的排序，或许也不会那么混乱了。

所以，关于这种排序方式是否合理，我们并不能通过过去问题的回答排序来评价，而是应该通过未来提出的问题的回答排序来评价，才更为客观。

从我个人的角度，我对这次改革是乐观的，具体可以参见我的专栏文章：
这次，我给社区点 32 个「赞同」——浅析社区新的回答排序算法 - 看！你身边有一只数学！ - 社区专栏

让我们拭目以待。


最后，匿了。o(^▽^)o

过去的社区排序算法是会造成几个严重问题的，比如新的好回答基本没人看，大V用户优势太大等等。使得整体上问题页面的回答排序非常固化，缺少活力。新的算法很大程度上解决了这个问题。我个人的回答为什么社区新手的门槛这么高？ - 鱼非鱼的回答里面也提了好多问题

新算法也确实存在一些态度鲜明的好回答因为反对较多排名较低的情况。不过个人觉得这不是什么问题。本来社区就是一个讨论知识，分享思维的场所，不是用来政治站队的议会。新的算法鼓励大家更注重丰富回答的内容，而克制过于激烈的态度和观点。这没什么问题。对于有判断能力的阅读者，如果你对自己的证据、逻辑和表达能力有自信，应该相信对方阅读之后能够自行推导出正确的观点。好的回答应该是干货多而私货稍的。这正如好的电影，一定不会明显的说教一样。我作为一个自认还是有判断能力的阅读者，是很反感一些回答的人夹带太多情绪，或者流露出一种很强烈的要给我洗脑或者非要在言辞上压过别人的态度的。如果你觉得有很多阅读者达不到这样的判断能力，不能够通过阅读你的回答得出正确的结论，那么也没有必要通过态度去说服对方，真的说服成功了，你也属于胜之不武，而且你的粉丝低素质的人太多了，也只会拉低你个人的形象。（我个人觉得数卷残篇的粉丝就明显拉低了他本身作为一个高水平的史学学者的形象，这与他在豆瓣上的表达很多时候证据列举草率——尽管实际的理论支持未必那么草率，但观点耸动不无关系）

当然，也有很多时候我们在社区回答就是很想表达自己的态度，而不是去搞科普。我自己也不例外。在这种情况下，应该话能说出口就可以满足了，何必一定要在意回答的排名呢？我们自己应该很清楚此时我们更多的不是在为社区社区做贡献，而是在利用社区社区发泄自己的感受，社区也已经做到了没有去打扰你得到赞的好心情，还要要求什么呢？

另外，我个人不赞同『反对实名制』，因为很明显很多社区用户包括很多很有见地的社区用户在内是很玻璃心的（常人都是玻璃心的，少有人能够修炼的不被旁人的看法打击），让他天天看一堆人反对自己只会打击回答积极性。而我相信大部分社区用户点了反对都是真反对，而不太可能是其实心里是赞同但就是看这个答主不爽，或者想让自己的答案排名高一些就要把他拉下来，所以也不存在反对成本太低不负责任的问题。相反，如果『反对实名制』，反对的成本就太高了，就会比赞同的成本高太多（毕竟赞同讨好人，而反对得罪人），反而使得排名不公平，一个答案如果非常偏颇偏激，认同这个答案的人会跟欢喜去点赞同，但反对这个答案的人倒有可能因为跟此人相识等等原因不敢去点反对。

总之，我个人对社区的新排名算法非常支持，新社区在这方面已经远远超过了quora