疯狂的迷恋上了一个女外包同事，每天梦里都是她，可惜我只是个外包，感觉自己配不上她怎么办？
老鬼约 4 分钟刚看到个贴子，说楼主疯狂迷恋上一个女外包同事，天天梦见她，但因为自己也是外包，觉得配不上人家。
我觉得这事吧，首先“外包”只是个身份标签，不是给你判了“低人一等”的死刑。网友们有人调侃说外包没前途、没面子，但感情这种事，真不是看工牌颜色决定的。关键在于你有没有自信和成长的底气。
换个角度想，如果你现在觉得自己不配，那即使换个职位、涨点工资，可能还会陷在这种自卑里。真正能撑住关系的，是你的性格、价值观和未来规划，而不是合同签在哪家公司。网友们有人建议“先搞钱”，我挺认同的。提升自己，无论在职场还是生活里，才是打破自卑的解药。【备注:文末可领最新资料】
算法题：查找有两极分化观点的书籍
昨晚十一点多，在公司楼下吹风儿，手机里有人@我说：东哥，帮我搞个算法，能把“评价两极分化”的书挑出来不？我说这玩意儿有意思，场景很接地气：做选书榜单、做内容运营、甚至反向挖“争议话题”都用得上。
啥叫两极分化？不是均分好坏，而是1星和5星都很多，中间稀疏，而且两端要“对称”点，不能只有一边骂声一片。用评分（1~5星）就够起步，后面再叠加评论情感更香。
我偷懒想了个“极化分”PolarScore，三件事同时看： 1）两端占比高：ext = (c1+c5)/N 2）两端要均衡：bal = 1 - |c1-c5|/max(1,c1+c5) 3）中间要少：mid = (c2+c3+c4)/N，最好小 就这么揉一下：PolarScore = ext * bal * (1 - (c2+c4)/N)（把正中间的3星当“路人”，弱化它的影响，所以只扣2星和4星。你要更严就把3星也扣进去）
再加两道门槛：
N ≥ minVotes（比如50），免得被几条水军带跑； ext ≥ t（比如0.45），保证两端真不少。
import java.util.*;
publicclassPolarizedBookFinder{
staticclassBook{
String id, title;
// 1..5星的计数，index从1用到5
int[] cnt = newint[6];
inttotal(){ return cnt[1]+cnt[2]+cnt[3]+cnt[4]+cnt[5]; }
}
publicstaticdoublepolarScore(Book b){
int N = b.total();
if (N == 0) return0;
double c1=b.cnt[1], c2=b.cnt[2], c3=b.cnt[3], c4=b.cnt[4], c5=b.cnt[5];
double ext = (c1 + c5) / N; // 两端占比
double bal = 1.0 - Math.abs(c1 - c5) / Math.max(1.0, (c1 + c5)); // 两端均衡
double midPenalty = (c2 + c4) / N; // 中间惩罚
return ext * bal * (1.0 - midPenalty);
}
publicstatic List<Book> find(List<Book> books, int minVotes, double extThreshold, int topK){
PriorityQueue<Book> pq = new PriorityQueue<>(Comparator.comparingDouble(PolarizedBookFinder::polarScore));
for (Book b : books){
if (b.total() < minVotes) continue;
double c1=b.cnt[1], c5=b.cnt[5], N=b.total();
double ext = (c1 + c5) / N;
if (ext < extThreshold) continue;
pq.offer(b);
if (pq.size() > topK) pq.poll();
}
List<Book> ans = new ArrayList<>(pq);
ans.sort((a,b)-> Double.compare(polarScore(b), polarScore(a)));
return ans;
}
}
为啥这样凑有效？
你们想啊，极化的本质是“两端高、两端齐、中间低”。ext盯住“高”，bal盯住“齐”，(1−midPenalty)盯住“低”。这仨一乘，就把“只有差评多/只有好评多/全是路人”的书一锅端了。
可以，但别急。先把评分版跑起来，再在极化Top里抽样几百条评论，用情感模型打分（正负面占比、强度），再做个交叉验证；一致性高的，直接进榜；不一致的，人工复核或调阈值。工程上性价比更高。
新书冷启动：N太小，容易虚假极化；把minVotes提到50/100，或只看近90天但放宽阈值。 畸形刷分：看“评论用户去重率、评分时间分布、IP/设备分布”做反作弊白名单。 大IP偏爱：有时5星很多、1星也不少，中间很少，这正是我们要的“吵点”，别被平均分误导。
每本书O(1)计算，整体O(M)，M是书本数；存储就是5个桶计数，流式汇总也很容易上。
行了，我先去泡杯茶。你把代码塞到任务里跑一轮，回来贴几本Top的我瞅一眼，咱再决定阈值要不要再抬一丢丢。
-END-
我为大家打造了一份RPA教程，完全免费：songshuhezi.com/rpa.html