1、单个用户只能收藏文章1次，其他的章节收藏调整为书签，不再纳入收藏统计数据中
以前在pc端可以有一个整书收藏和三个书签收藏，统计为四个收藏，随着app渠道的占比扩大，以及技术的进步，已经可以把书签单纯存储为书签，不再与收藏混在一起。用户的一本书整书收藏将保留为一个收藏，其它书签收藏改为书签属性，不再计为收藏。如果没有整书收藏只有书签收藏，也会保留转换书签收藏为书签的同时，增加一个收藏。
这个改动会影响一本书的收藏总量和与之相关的积分计算、入v的收藏线也可能会看数据变化情况加以调整。
2、增加可疑收藏概念，可疑收藏不再计为一个收藏，具体的折算方式与该收藏的用户的可疑等级有关（比如用户特别可疑，一个可疑收藏等于零个真实收藏，用户一般可疑，一个可疑收藏等于半个真实收藏之类）。可疑收藏在前台不降低总收藏数，但在后台按新规则统计。
以往处理刷收藏的方式是删除收藏并处理该收藏号，等于每一次处理的数据都是透明的，可以由此分析我们的判断方式并依此改进。正是基于这个方式，刷收藏的手段越来越精妙，我们按以往的方式越来越难判断数据的真实性（比如IP相似，比如批量注册小号之类的刷数据方式都已经被规避）。在咨询了很多第三方大数据公司后，了解到第三方多数是以用户本身的以往信息来定用户的可疑程度，（比如某个手机号以往干过坏事就会被存下来，以后再在别的网站用时，就会通知网站该人可疑）有一定的误伤率（比如被大数据错误标记，比如买了坏人用过的手机号等）。基于这些原因，我们创建了可疑程度的概念，既结合大数据信息，也结合用户在本站行为的合理程度，对用户进行分级标记，（比如一个多少有点可疑的用户可能会被认定为0.8个）尽量降低误伤的杀伤力。
为了实现这套用户分级程度，除了接入大数据之外，“用户行为在本站的合理程度判断”成为了一个关键，也就是接下来刷子们要竭力攻克的双方的攻防重点。为避免像以往一样数据透明，每一个被处理的数据都可以被对方拿去反复研究找出规律加以规避，我们不得不启动前台数据不透明的下策来保护我们好不容易又总结出的一些新规律。
比如用户真实收藏有1000个，又买了500个收藏，我们根据可疑程度计算出的真实收藏可能是1152个，但用户看到的还是1500个，用户和刷子都会认为刷成功了，并且不知道哪个刷子号被认定为刷子号了，就降低了我们反作弊方
【当前章节不完整】
【阅读完整章节请前往原站】
ggdowns.cc