评分与排名讨论会#1 - 2017-12-25 15:25
君寻 (已淡出bgm38)
样本数约为 0~100
平均值约为 40
简单Multiple （v*r/C）
严重缺点是没有区分低分与高分的众数效应，如3分 100人评分与 10分 30人评分算下来是等价的，这种算法显然不可用。
贝叶斯平均
典型的就是IMDB排名算法（(v/(v+m))*R + (m/(v+m))*C））
缺点是在R=C时没有区分度，如果平均分较高，整个区间会比较窄
Wilson区间法
基本思想：
第一步，计算每个项目的"好评率"（这里可以将评分化为（0-1）区间）
第二步，计算每个"好评率"的置信区间（以95%的概率）
第三步，根据置信区间的下限值，进行排名。值越大，排名就越高
Edwin Bidwell Wilson 修正公式：
p 表示样本的"好评率"，n表示样本的大小，z(1-α/2)表示对应某个置信水平α的z统计量，一般情况下，在95%的置信水平下，z统计量的值为1.96。
这个算法虽然保证了排名的可信性，但也带来了另一个问题：排行榜前列总是那些票数最多的项目，新项目或者冷门的项目，很难有出头机会，排名可能会长期靠后。
平均值约为 40
严重缺点是没有区分低分与高分的众数效应，如3分 100人评分与 10分 30人评分算下来是等价的，这种算法显然不可用。
典型的就是IMDB排名算法（(v/(v+m))*R + (m/(v+m))*C））
缺点是在R=C时没有区分度，如果平均分较高，整个区间会比较窄
基本思想：
第一步，计算每个项目的"好评率"（这里可以将评分化为（0-1）区间）
第二步，计算每个"好评率"的置信区间（以95%的概率）
第三步，根据置信区间的下限值，进行排名。值越大，排名就越高
Edwin Bidwell Wilson 修正公式：
p 表示样本的"好评率"，n表示样本的大小，z(1-α/2)表示对应某个置信水平α的z统计量，一般情况下，在95%的置信水平下，z统计量的值为1.96。
这个算法虽然保证了排名的可信性，但也带来了另一个问题：排行榜前列总是那些票数最多的项目，新项目或者冷门的项目，很难有出头机会，排名可能会长期靠后。
所以只要有机制存在，就有刷的可能。完全只是成本和收益的考虑而已所以卖握手券才是终极投票手段啊