Вы можете использовать метод, основанный на Байесовская вероятность . Суть этого подхода заключается в том, чтобы иметь первоначальное представление об истинной оценке предмета и использовать оценки пользователей для обновления своего убеждения.
Этот подход требует двух параметров:
- Как вы думаете, что является истинным рейтингом предмета по умолчанию, если у вас вообще нет оценок этого предмета? Назовите этот номер
R, «первоначальное убеждение».
- Какой вес вы придаете первоначальному убеждению по сравнению с оценками пользователей? Назовите это
W, где первоначальное убеждение «стоит» W пользовательских оценок этого значения.
С параметрами R и W вычисление нового рейтинга становится простым: предположим, что у вас есть W оценки значения R вместе с любыми пользовательскими оценками, и вычислите среднее значение . Например, если R = 2 и W = 3, мы рассчитываем окончательный счет для различных сценариев ниже:
- 100 (пользовательский) рейтинг 4:
(3*2 + 100*4) / (3 + 100) = 3.94
- 3 рейтинга 5 и 1 рейтинг 4:
(3*2 + 3*5 + 1*4) / (3 + 3 + 1) = 3.57
- 10 оценок из 4:
(3*2 + 10*4) / (3 + 10) = 3.54
- 1 рейтинг 5:
(3*2 + 1*5) / (3 + 1) = 2.75
- Нет оценок пользователей:
(3*2 + 0) / (3 + 0) = 2
- 1 рейтинг 1:
(3*2 + 1*1) / (3 + 1) = 1.75
Это вычисление учитывает количество пользовательских оценок и значения этих оценок. В результате, итоговый балл примерно соответствует тому, насколько счастливым можно ожидать от определенного предмета, учитывая данные.
Выбор R
Когда вы выбираете R, подумайте, какую ценность вам будет удобно принять для предмета без оценок. Является ли типичный элемент без рейтинга на самом деле 2,4 из 5, если вы хотите, чтобы все сразу оценили его? Если это так, R = 2.4 будет разумным выбором.
Вы должны , а не использовать минимальное значение в шкале оценок для этого параметра, поскольку элемент, получивший крайне низкую оценку пользователей, должен в конечном итоге оказаться «хуже», чем элемент по умолчанию без оценок.
Если вы хотите выбрать R, используя данные, а не просто интуицию, вы можете использовать следующий метод:
- Рассмотрим все элементы, по крайней мере, с некоторым пороговым значением рейтинга пользователя (так что вы можете быть уверены, что средний рейтинг пользователя достаточно точен).
- Для каждого элемента предположите, что его "истинный балл" является средним рейтингом пользователя.
- Выберите
R, чтобы получить медиану этих оценок.
Если вы хотите быть немного более оптимистичным или пессимистичным в отношении элемента без рейтинга, вы можете выбрать R в качестве другого процентиля баллов, например, 60-го процентиля (оптимистического) или 40-го процентиля (пессимистичного).
Выбор W
Выбор W должен зависеть от того, сколько оценок имеет типичный предмет, и насколько постоянны оценки. W может быть выше, если элементы естественным образом получают много оценок, и W должно быть выше, если у вас меньше доверия к пользовательским оценкам (например, если у вас высокая активность спамеров). Обратите внимание, что W не обязательно должно быть целым числом и может быть меньше 1.
Выбор W является более субъективным вопросом, чем выбор R. Однако вот некоторые рекомендации:
- Если типичный элемент получает
C оценок, то W не должен превышать C, иначе окончательная оценка будет в большей степени зависеть от R, чем от фактических пользовательских оценок. Вместо этого W должно быть близко к доле C, возможно, между C/20 и C/5 (в зависимости от того, насколько шумны или "спам" рейтинги).
- Если исторические рейтинги обычно соответствуют (для отдельного предмета), тогда
W должно быть относительно небольшим. С другой стороны, если оценки для предмета сильно различаются, то W должно быть относительно большим. Вы можете думать об этом алгоритме как о «поглощении» W рейтингов, которые являются аномально высокими или низкими, превращая эти рейтинги в более умеренные. - В крайнем случае, установка
W = 0 эквивалентна использованию только среднего значения пользовательских рейтингов.Установка W = infinity эквивалентна объявлению, что каждый элемент имеет истинную оценку R, независимо от пользовательских оценок.Очевидно, что ни одна из этих крайностей не подходит. - Установка слишком большого значения
W может привести к предпочтению элемента со многими умеренно высокими оценками по сравнению с элементом с немного меньшим исключительно высоким рейтингом.1110 *