Anki FSRS调度算法优化：使用中位数计算成本与异常值处理

在Anki的FSRS(Free Spaced Repetition Scheduler)调度算法中，近期进行了一项重要的优化改进，主要涉及学习记录数据处理方式的调整。这项改进通过采用更稳健的统计方法和合理的数据过滤机制，提升了算法对用户学习行为的评估准确性。

数据处理方法优化

传统上，FSRS算法使用平均值(mean)来计算用户的学习成本。平均值虽然计算简单，但对极端值非常敏感。在实际使用场景中，用户的学习记录可能包含一些异常情况，比如：

• 极短的响应时间(如0毫秒)
• 过长的响应时间(超过20分钟)

这些异常值会显著影响平均值的计算结果，导致算法对用户真实学习成本的评估出现偏差。为此，优化后的版本采用了中位数(median)作为新的统计量。中位数对极端值不敏感，能更好地反映大多数正常学习情况下的成本水平。

异常值过滤机制

除了统计方法的改进，此次优化还引入了两个关键的数据过滤规则：

1. 过滤掉响应时间为0毫秒的记录
2. 过滤掉响应时间超过1200000毫秒(20分钟)的记录

这些过滤规则基于合理的用户行为假设：

• 0毫秒的响应时间通常表示非正常的操作(如误操作或系统问题)
• 超过20分钟的响应时间可能意味着用户在学习过程中被其他事务打断

通过排除这些异常数据点，算法能够更准确地捕捉用户的真实学习行为模式。

技术实现细节

在Rust实现中，这一优化体现在FSRS的retention模块中。算法首先对原始学习记录进行清洗，应用上述过滤规则，然后使用中位数方法计算学习成本。这种实现既保持了计算效率，又提高了结果的稳健性。

对用户体验的影响

这项优化对终端用户而言是透明的，但会带来以下潜在好处：

1. 更准确的学习成本评估，使复习安排更合理
2. 减少异常操作对学习进度预测的干扰
3. 提高算法对不同使用习惯用户的适应性

对于Anki这样的间隔重复学习软件，准确评估用户的学习成本至关重要，因为它直接影响到后续复习时间的安排。通过采用更稳健的统计方法和合理的数据过滤，FSRS算法能够为用户提供更加个性化的学习体验。

这项改进展示了Anki开发团队对算法细节的持续优化，也体现了对真实用户行为数据的深入理解。随着算法的不断精进，Anki作为学习工具的有效性也将得到进一步提升。