Hacker News标题中最受欢迎的数字是什么？

# Hacker News标题中最受欢迎的数字是什么？ 来源：https://blog.omgmog.net/post/most-popular-numbers-in-hn-post-titles/ 昨天 HN 首页两个连续的标题中都包含数字 6。这**毫无意义**。但正是这种毫无意义的东西会卡在脑子里，直到你采取行动才行。那么，Hacker News 标题中最受欢迎的数字是什么？ ClickHouse 在他们的公共游乐场 (https://play.clickhouse.com/) 中托管了完整的 HN 数据集，而我正是那种对此感到兴奋的人。这个显而易见的查询 (https://play.clickhouse.com/play?user=play&tab=Query%20A#U0VMRUNUIG51bSwgY291bnQoKSBBUyBjCkZST00gKAogICAgU0VMRUNUIGFycmF5Sm9pbihleHRyYWN0QWxsKHRpdGxlLCAnXGQrJykpIEFTIG51bQogICAgRlJPTSBoYWNrZXJuZXdzX2hpc3RvcnkKICAgIFdIRVJFIHR5cGUgPSAnc3RvcnknIEFORCB0aXRsZSAhPSAnJwopCkdST1VQIEJZIG51bQpPUkRFUiBCWSBjIERFU0MKTElNSVQgMTA=) 几乎算不上查询： `` SELECT num, count() AS c FROM ( SELECT arrayJoin(extractAll(title, '\d+')) AS num FROM hackernews_history WHERE type = 'story' AND title != '' ) GROUP BY num ORDER BY c DESC LIMIT 10 `` 数字标题2119,3513114,3971114,017582,066463,482060,9311050,534638,440737,261837,190 HN 标题中最受欢迎的数字是 2。结案，文章**结束**。 但为什么这些数字这么小？ 这是 Vsauce 的提示音。这篇文章即将变成“但为什么 19 会这样？” 一个让小数字击败大数字的表格，乍一看就像是本福特定律 (https://en.wikipedia.org/wiki/Benford%27s_law)：在许多自然产生的数据集中，首位数字为 1 的概率远高于 9。它出现在河流长度、股票价格、物理常数、选举结果中，第一次看到时确实令人惊奇。但这里并不适用。本福特定律是关于跨越多个数量级的数字的首位数字（如人口、收入、文件大小），而不是从标题正文中提取的单个数字。真正的解释比宇宙定律要枯燥得多。 但第六名是 0，出现了 60,931 次。六万个标题并**不**包含一个孤零零的零。它们包含的是“2.0”和“1.0”，而 `\\d+` 高兴地将它们拆分成各自的数字。同样的正则表达式从“S3”中提取出 3，将“1,000 users”拆分成 1 和无意义的 000，并且通常不顾上下文地将每个数字序列视为独立的数字。2 的 11.9 万领先优势主要来自 Web 2.0 的幽灵和十年间带小数点的版本号。这些数字是准确的，但回答的问题略有偏差。 所以我尝试了一个更智能的模式 (https://play.clickhouse.com/play?user=play&tab=Query%20A#U0VMRUNUIG51bSwgY291bnQoKSBBUyBjCkZST00gKAogICAgU0VMRUNUIHJlcGxhY2VBbGwoCiAgICAgICAgYXJyYXlKb2luKGV4dHJhY3RBbGwodGl0bGUsCiAgICAgICAgICAgICdcXGJcXGR7MSwzfSg/OixcXGR7M30pK1xcYnxcXGJcXGQrKD86XFwuXFxkKyk/XFxiJwogICAgICAgICkpLCAnLCcsICcnKSBBUyBudW0KICAgIEZST00gaGFja2VybmV3c19oaXN0b3J5CiAgICBXSEVSRSB0eXBlID0gJ3N0b3J5JyBBTkQgdGl0bGUgIT0gJycKKQpXSEVSRSB0b1VJbnQ2NE9yWmVybyhudW0pIE5PVCBCRVRXRUVOIDE5MDAgQU5EIDIwMzAKR1JPVVAgQlkgbnVtCk9SREVSIEJZIGMgREVTQwpMSU1JVCAxMA==)，它能完整捕获带逗号分组的数字，将小数视为单个标记，尊重单词边界，并过滤年份，因为“年份在新闻网站上很受欢迎”这一点谁都不会感到意外。下面的双反斜杠是因为 ClickHouse 在正则表达式引擎看到之前会将 `\\b` 转换为字面退格字符，这会导致空结果集，而且我花了比愿意承认的更多时间来诊断： `` SELECT num, count() AS c FROM ( SELECT replaceAll( arrayJoin(extractAll(title, '\\b\\d{1,3}(?:,\\d{3})+\\b|\\b\\d+(?:\\.\\d+)?\\b' )), ',', '') AS num FROM hackernews_history WHERE type = 'story' AND title != '' ) WHERE toUInt64OrZero(num) NOT BETWEEN 1900 AND 2030 GROUP BY num ORDER BY c DESC LIMIT 10 `` 数字标题148,559245,970340,056537,6831033,336425,915722,013818,876617,9331917,842 将数字分词也远比看起来复杂：“Python 3.11.2”仍然会拆分成“3.11”和“2”，而年份过滤器也无法区分作为年份的 1984 和作为小说的《1984》。至少足够继续前进了。 2 的计数下降了近三分之二，并失去了榜首。1 登上了宝座。幻影般的 0 消失了。年份一直存在。没有过滤器的话，2018、2017 和 2020 会排在第 8 到第 10 位；朴素的 regex 只是抬高了小数字的计数，足以将它们掩盖。 那么为什么小数字占主导地位呢？HN 标题正从三个方向同时发力。 首先是列表文章（listicles）。“完成 X 的 3 种方法”、“我希望自己早知道的 5 件事”、“我实际使用的 10 个工具”。列表文章几乎是链接帖子的原生形式，其计数几乎总是小而整。没有人会写“我希望自己早知道的 17 件事”，除非他们真的有 17 件事，而这很罕见；而“5 件事”则是在标题编辑器中做出的决定。 其次是版本号。1、2 和 3 得分最高的标题几乎全是主要软件发布：Ghostty 1.0 和 Rust 1.0 对应 1，Llama 2 和 Dall-E 2 对应 2，Meta Llama 3 和 Gemini 3 对应 3。软件版本号从 1 开始，逐渐递增，因此小数字积累了多年的发布公告。这也解释了为什么 2 排在 3 之前，3 排在 4 之前，几乎完美对应。早期的版本号只是存在时间更长。 AI 时代让这种情况更加明显。2、3、4 和 5 都在已有基础上迎来了一波高分模型发布帖的新浪潮。 第三是作为阈值和排名使用的整数。“Top 10”、“No.1 原因”、“X 的 100 天”。数字被用作强调，数字越整，被选中的频率越高。10 的排名远高于 9 和 11，正是因为这个原因：没有人会写“top 9 工具”，除非他们真的只凑够了九个。 绘制 HN 整个历史 (https://play.clickhouse.com/play?user=play&tab=Query%20A#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) 上十个数字的走势，揭示出两个外部事件打破模式的关键时刻： 2007–2025年HN标题中前10个数字的分布2007|2011|2016|2020|202502k4k6k8k10k每年出现次数1|2|3|4|5|6|7|8|10|19COVID-19 (2020)|GPT-4 (2023) 19 是显而易见的那个。其历史总计 17,842 次并不特别，但要是看 2020 年，它记录了 10,439 次，是其他任何一年的五倍。这就是以数字命名的全球大流行病对其排名的影响。2021 年它仍然偏高，因为 COVID-19 仍是头版新闻，随后随着头条转移而回落到基线。 较为微妙的是 2023 年的 4，从前一年的约 1400 次跃升至 2298 次，短暂地与 1 和 2 持平。GPT-4 于 2023 年 3 月发布，并在头版占据主导地位数月。一次模型发布，在线图上表现为一个拐点。 至于 6：第 9 位，出现 17,933 次。我在头版连续看到两个 6 完全不足为奇。我花了一个晚上精确证实了这一点，并且我**毫不**后悔。