奖励计算的具体逻辑

1. 1. 基础奖励计算公式

   • 采用指数型加权二次函数设计，确保奖励分配的公平性与激励性：

   $$ Token奖励 = 基础奖励 × (1 + 0.5 × (加权分数 / 10000)^2 × e^(加权分数 / 5000)) $$

   • 核心计算公式：加权分数 = 互动分数 × 质量系数 × 时效系数

   <aside> 🗣

   • 基础奖励设定为默认值1000

   默认值可以更改，此处仅为一个默认值

   </aside>

2. 2. 加权分数构成

   • 互动分数计算：

     $$ 互动分数=(评论数×3)+(转发数×2)+点赞数 $$

     设置10000上限以防范数据作弊

   • 质量系数划分：

     • 评论/点赞比例 > 0.1：质量系数为1.5（高质量内容）
     • 比例在0.05 ~ 0.1：质量系数为1.2（中质量内容）
     • 比例 < 0.05：质量系数为1.0（低质量内容）

   • 时效系数评定：

     在不同时间范围内达到基准互动量（基准互动量可以设定为10评论，6转发，50点赞）时：

     • 24小时内达标：系数为1.3
     • 48小时内达标：系数为1.1
     • 超过48小时达标或未达标：系数为1.0

3. 3. 奖励增长特点

   • 随着分数增加，奖励曲线先平缓增长，后急剧上升
   • 具体表现：
     • 前期：由于指数函数和二次函数的缓慢作用，奖励增加较慢
     • 后期：当分数逐步提高时，奖励曲线陡峭上升，激励表现更好的KOL

4. 4. 解锁期限动态调整

   • 基准解锁期限为6个月，根据KOL的月度累积分数动态减少：
     • 累积分数 ≥ 50万分：解锁期减少到3个月
     • 累积分数 ≥ 20万分：解锁期减少到4个月
     • 累积分数 ≥ 10万分：解锁期减少到5个月
   • 最短解锁期为3个月，确保奖励具有一定约束

5. 5. 特殊激励措施

   • 连续激励机制：
     • 如果连续3天达到每日评分5000分，Token奖励增加10%
   • 高质量内容激励：
     • 单条推文评分超过8000分，Token奖励增加5%

6. 6. 奖励曲线分析

   • 通过绘制奖励曲线，观察互动分数从0到10000的奖励变化，展示奖励随分数提高而变陡峭的趋势

   

代码实现

import numpy as np
import matplotlib.pyplot as plt

class KOLRewardSystem:
def **init**(self, base_reward=1000, base_unlock_period=6):
self.base_reward = base_reward
self.base_unlock_period = base_unlock_period

def calculate_interaction_score(self, comments, retweets, likes):
    """计算互动分数"""
    return min((3 * comments) + (2 * retweets) + likes, 10000)

def calculate_quality_coefficient(self, comments, likes):
    """计算质量系数"""
    ratio = comments / max(likes, 1)  # 防止除以0
    if ratio > 0.1:
        return 1.5
    elif 0.05 <= ratio <= 0.1:
        return 1.2
    else:
        return 1.0

def calculate_timeliness_coefficient(self, hours):
    """计算时效系数"""
    if hours <= 24:
        return 1.3
    elif hours <= 48:
        return 1.1
    else:
        return 1.0

def calculate_token_reward(self, score, quality_coeff, timeliness_coeff):
    """计算Token奖励，基于指数型加权二次函数"""
    weighted_score = score * quality_coeff * timeliness_coeff
    reward_multiplier = 1 + 0.5 * (weighted_score / 10000) ** 2 * np.exp(weighted_score / 5000)
    return self.base_reward * reward_multiplier

def calculate_unlock_period(self, monthly_cumulative_score):
    """根据月度累积分数动态调整解锁期限"""
    if monthly_cumulative_score >= 500000:
        return max(3, self.base_unlock_period - 3)
    elif monthly_cumulative_score >= 200000:
        return max(3, self.base_unlock_period - 2)
    elif monthly_cumulative_score >= 100000:
        return max(3, self.base_unlock_period - 1)
    else:
        return self.base_unlock_period

def apply_special_incentives(self, token_reward, daily_scores):
    """应用特殊激励"""
    if any(score >= 5000 for score in daily_scores):
        token_reward *= 1.1
    if max(daily_scores) > 8000:
        token_reward *= 1.05
    return token_reward

def visualize_reward_curve(self):
    """可视化奖励曲线"""
    scores = np.linspace(0, 10000, 500)
    quality_coeff = 1.2
    timeliness_coeff = 1.1
    rewards = [
        self.calculate_token_reward(score, quality_coeff, timeliness_coeff) for score in scores
    ]

    plt.figure(figsize=(12, 6))
    plt.plot(scores, rewards, label="奖励曲线", color="blue")
    plt.title("KOL奖励模型 - 指数型加权二次函数")
    plt.xlabel("互动分数")
    plt.ylabel("Token奖励")
    plt.grid(True)
    plt.legend()
    plt.show()

if **name** == "**main**":
# 创建模型实例
model = KOLRewardSystem()

# 示例数据
comments, retweets, likes = 300, 400, 1000
interaction_score = model.calculate_interaction_score(comments, retweets, likes)
quality_coeff = model.calculate_quality_coefficient(comments, likes)
timeliness_coeff = model.calculate_timeliness_coefficient(20)  # 假设20小时内达到基准互动量

# 计算奖励
reward = model.calculate_token_reward(interaction_score, quality_coeff, timeliness_coeff)
print(f"互动分数: {interaction_score}")
print(f"质量系数: {quality_coeff}")
print(f"时效系数: {timeliness_coeff}")
print(f"Token奖励: {reward}")

# 动态解锁期限
unlock_period = model.calculate_unlock_period(300000)
print(f"解锁期限: {unlock_period}个月")

# 可视化奖励曲线
model.visualize_reward_curve()