# 助力概率假设模型与心理机制

[[MCS/day4/00 学习指南|day4 学习指南]] · [[MCS/00 MCS学习总览|十一天总览]] · [[MCS/day4/阅读核验与疑问|阅读核验与疑问]] · 上一篇：[[MCS/day4/05 投骰子、先手优势与独立性|投骰子、先手优势与独立性]] · 下一篇：[[MCS/day4/07 评分矩阵、余弦相似度与计数树|评分矩阵、余弦相似度与计数树]]

> 来源：[[MCS/day4的补充|day4的补充]]。用途：选学。原有推导、追问与解答保留；阅读时请结合本日核验说明。

## 拼多多砍一刀：算法逻辑与心理机制笔记

### 一、问题定义：砍一刀到底在砍什么

设：

- 目标：集齐 N 个“有效助力”，就能拿现金奖励
- 当前：已经集齐 i 个有效助力
- 还差：N - i 个有效助力
- 每次找一个朋友点一下，这一次点击是否算“有效助力”，是一个概率事件

正常思路下，这个概率应该随着你越来越接近目标，平滑下降。
因为越到后面，越难拉新人，平台为了控制成本，会降低有效概率，但不应该降得太离谱。

---

### 二、正常模型：平滑下降

一个常见的正常模型是：

    P_有效 = (N - i) / N

其中：

- N：目标有效助力总数
- i：当前已获得的有效助力数
- N - i：还差多少
- P_ 有效：这一次点击算有效助力的概率

举例，假设 N = 10：

| 当前已集齐 i | 还差 N-i | 有效概率 P |
|---|---|---|
| 0 | 10 | 10/10 = 100% |
| 2 | 8 | 8/10 = 80% |
| 5 | 5 | 5/10 = 50% |
| 8 | 2 | 2/10 = 20% |
| 9 | 1 | 1/10 = 10% |
| 9.9 | 0.1 | 1% |

这个模型的特点是：

- 前期概率高，容易获得有效助力
- 后期概率逐渐降低
- 但整体是平滑下降，不会突然从 20% 掉到千分之一



> 原本模型是 K 分之 K 减 i，平滑下降。

---

### 三、拼多多式魔改：断崖式下跌

拼多多不想让你那么容易拿到奖励，但又不能让你一开始就觉得没戏。
所以它会把概率函数改成一个分段函数，大致长这样：

    P_有效 =
    {
        P_高    前期，i 远小于 N
        P_中    中期，i 接近但还没到最后
        P_极低  后期，N - i <= 2
    }

更具体一点，可以写成：

    P_有效 =
    {
        0.8 ~ 0.95    i < N - 5
        0.3 ~ 0.6     N - 5 <= i < N - 2
        0.001 ~ 0.01  i >= N - 2
    }

也就是说：

- 前期：你缺很多助力，平台给你高概率，让你觉得“很容易”
- 中期：概率开始下降，但还能接受
- 后期：只差 1～2 个的时候，有效概率直接打到千分之一甚至更低

这就叫断崖式下跌。

用盲盒类比：

- 正常盲盒：6 种口味，每种概率 1/6 约等于 16.7%
- 拼多多魔改盲盒：前 5 种口味概率正常，最后一种口味概率从 1/6 变成 1/1000

你感觉只差最后一个口味，实际上要抽上千次。

---

### 四、更狠的地方：概率不是固定的，而是动态调整的

拼多多的算法不是简单设一个低概率就完了。
它会根据你的行为动态调整：

#### 1. 新用户 vs 老用户

- 新用户第一次点：可能算有效
- 老用户、点过多次的用户：大概率不算有效
- 同一设备、同一 IP、同一账号体系：可能直接判定无效

可以写成：

    P_有效 = f(是否新用户, 设备指纹, 历史点击次数, 社交关系链)

#### 2. 你越接近成功，概率越低

    P_有效 = g(N - i)

其中 g 不是线性的，而是：

- 前期缓慢下降
- 后期指数级下降
- 最后变成“几乎为零”

类似：

    P_有效 正比于 e^(-k(N - i))

当 N - i 很小时，概率被压得极低。

#### 3. 你越活跃，越不容易成功

如果你频繁拉人、频繁点击，平台会认为你“高意愿用户”，反而更不容易给你有效助力。
因为平台知道：你不会轻易放弃。

    P_有效 = h(用户活跃度, 沉没成本, 退出倾向)

你越舍不得退出，概率越低。

---

### 五、心理机制：算法配合心理学

拼多多的砍一刀，不只是算法问题，而是算法 + 心理学的组合拳。

#### 1. 沉没成本

你已经拉了 50 个人，只差 0.1 个助力。
你会想：“我都拉了这么多了，现在放弃太亏了。”

算法利用这一点：
你投入越多，越不给你成功，因为你更舍不得走。

#### 2. 损失厌恶

“差一点点你就差一点点，你要退出了，你忍心吗？”
这句话直击损失厌恶：
人们讨厌失去已经快要得到的东西，比得到同等东西更强烈。

#### 3. 可变奖励

前期偶尔给你一点有效助力，像赌博一样，让你产生“下一次可能就中了”的错觉。
这叫可变比率强化，是让行为上瘾的经典机制。

#### 4. 社交绑架

你拉的是朋友、亲戚、同事。
你不仅投入了时间，还投入了人情。
放弃意味着这些人情白费了。

算法知道这一点，所以后期更不给你成功。

---

### 六、用数学语言总结拼多多砍一刀

设：

- N：目标有效助力数
- i：当前有效助力数
- x：本次点击的特征向量（新用户、设备、历史等）

正常模型：

    P_有效 = (N - i) / N

拼多多模型：

    P_有效 =
    {
        alpha(x)    N - i > 5
        beta(x)     2 < N - i <= 5
        gamma(x)    N - i <= 2
    }

其中：

    alpha(x) 远大于 beta(x) 远大于 gamma(x)

并且：

    gamma(x) 趋近于 0

当 N - i <= 2 时，gamma(x) 可能只有 0.001 甚至更低。

更狠的是，gamma(x) 还取决于：

- 你是不是新用户
- 你拉的人是不是新用户
- 你历史拉了多少人
- 你是不是快放弃了
- 你社交关系链里还有没有“没被榨干”的人

所以最终：

    P_有效 = 动态概率函数(N - i, 用户特征, 行为特征, 社交链特征)

---

### 七、一句话总结

正常模型是 (N - i) / N，平滑下降；拼多多把它魔改成断崖式下跌，前期高概率让你进场，后期把有效概率打到千分之一，再用“差一点点”和沉没成本把你锁死。这不是随机，是动态概率操控 + 心理收割。

---

### 八、附：伪代码模拟

    def pdd_cut_probability(N, i, user_features):
        remaining = N - i
        
        # 前期：高概率
        if remaining > 5:
            base_prob = 0.9
        
        # 中期：中等概率
        elif remaining > 2:
            base_prob = 0.4
        
        # 后期：断崖式下跌
        else:
            base_prob = 0.001
        
        # 动态调整
        if user_features.is_new_user:
            base_prob *= 1.5
        else:
            base_prob *= 0.3
        
        if user_features.is_active:
            base_prob *= 0.5
        
        if user_features.sunk_cost_high:
            base_prob *= 0.2
        
        # 最终概率，封顶和保底
        base_prob = min(base_prob, 1.0)
        base_prob = max(base_prob, 0.0001)
        
        return base_prob

这个伪代码展示了几个关键点：

1. 分段函数：前期、中期、后期概率完全不同
2. 动态调整：根据用户特征继续压低概率
3. 后期极低：remaining <= 2 时，基础概率只有 0.001
4. 活跃用户惩罚：越活跃、沉没成本越高，概率越低
5. 保底：永远不会是 0，但可以低到 0.0001，让你觉得“还有希望”