Uber VO 司机评论排行榜：去重评分、时间窗与公平排序

题目重点：题目只给基于 reviews 的司机 leaderboard；以明确训练假设设计评论事实表、撤销/修改、窗口聚合、榜单索引、防刷与小样本可信度。

题意与假设

这道练习题保留了面经中值得训练的核心约束，并将需要澄清的条件单独列出。现场拿到变体时，先和面试官确认这些条件。

训练场景：乘客行程结束后可对一位司机给 1–5 分及可选文字，按城市展示近 30 天的 Top 司机；只统计已完成且通过风控的行程，每 trip 只保留一条有效评论版本。
榜单先用平均分排序，至少 20 条有效评论才入榜；同分按评论数再按 driverId 稳定打破。门槛和窗口只是为了说明小样本处理，不是题目给的规则。
示例规模为每天 100 万条新评论、每秒 1 万次榜单查询的容量讨论，需以实际业务流量重估；评论文本审核与用户隐私应有独立政策。

事实表存 reviewId、tripId、driverId、riderId、rating、eventTime、version、status；数据库对 tripId 的有效评论设置唯一约束。评分提交校验行程参与身份和完成状态，重试用 reviewId/attemptKey 幂等，修改/撤销产生版本化事件而非静默覆盖旧事实。
聚合器按 driverId×城市×时间桶维护有效评论 sum/count，修改旧评分时做负向修正再加新值；迟到/申诉翻转 status 时回填原发生窗口。可从事实表定期重建并对账，防事件重复或漏投递把榜单带偏。
固定 30 天榜单把桶到期和新评论增量地更新每司机分子/分母，再更新有序索引；按城市分区，查询 Top K 从索引读取并附 asOf。若任意历史时间窗也要求精确 Top，单一 30 天索引不够，应读时间桶或原事件并接受更高延迟。
排名政策需和产品风险一起确定：少量五星司机不能天然压过稳定高分司机，可用最低样本数、贝叶斯平滑或置信下界；这些会改变榜单定义，须与面试官确认而非偷换‘平均分’。异常评论、刷单关联、申诉和人工复核应能解释某司机名次变化。
地区流量和评价分布不同，跨城比较可能不公平；明确 leaderboard 是城市内、时段内还是全站，监控榜单更新延迟、被过滤率、修正事件处理和审计轨迹。司机能否公开显示姓名/评分也要符合隐私规则。

司机 D 有 19 条五星评论，训练规则下尚未达到 20 条入榜门槛；第 20 条四星后进入所在城市榜单。若其中一条评分因申诉被撤销，sum/count 与索引同时更新，D 可能退出榜单。重复投递同一条撤销事件不能再次扣分。

R 条事实评论占 O(R) 持久存储；每个有效评论/修正通常更新 O(1) 个时间桶和一个有序榜单键，索引更新约 O(log D)，D 为分区内司机数。Top K 查询约 O(log D+K)；任意窗口回扫成本随该窗口内评论数或桶数增长。