Jak zrównoważyć liczbę ratingów w porównaniu do samych ratingów?

Możesz użyć metody inspirowanej prawdopodobieństwem Bayesowskim . Istotą tego podejścia jest wstępne przekonanie o prawdziwej ocenie przedmiotu i wykorzystanie ocen użytkowników, aby zaktualizować swoje przekonanie.

To podejście wymaga dwóch parametrów:

1. Jak myślisz, jaka jest prawdziwa" domyślna " ocena przedmiotu, jeśli nie masz żadnej oceny dla przedmiotu? Zadzwoń pod ten numer R, "początkowe przekonanie".
2. ile wagi dajesz początkowemu przekonaniu, w porównaniu z ocenami użytkowników? Nazwij to W, Gdzie początkowe przekonanie jest "warte" W ocen użytkowników tej wartości.

Z parametrami R i W obliczanie nowej oceny jest proste: Załóżmy, że masz W oceny wartości R wraz z dowolnymi ocenami użytkowników i Oblicz średnią . Na przykład, jeśli R = 2 i W = 3, obliczamy końcowy wynik dla różnych scenariuszy poniżej:

• 100 (użytkownik) ocen 4: (3*2 + 100*4) / (3 + 100) = 3.94
• 3 oceny z 5 i 1 ocena 4: (3*2 + 3*5 + 1*4) / (3 + 3 + 1) = 3.57
• 10 ocen z 4: (3*2 + 10*4) / (3 + 10) = 3.54
• 1 Ocena z 5: (3*2 + 1*5) / (3 + 1) = 2.75
• Brak ocen użytkowników: (3*2 + 0) / (3 + 0) = 2
• 1 Ocena 1: (3*2 + 1*1) / (3 + 1) = 1.75

To obliczenie bierze pod uwagę liczbę ocen użytkowników i wartości tych ocen. W rezultacie końcowy wynik z grubsza odpowiada temu, jak szczęśliwy może być dany przedmiot, biorąc pod uwagę dane.

Wybór R

Kiedy wybierzesz R zastanów się jaką wartość można by było założyć, że przedmiot bez ocen. Czy typowa pozycja bez oceny jest rzeczywiście 2.4 na 5, jeśli natychmiast wszyscy ją ocenią? Jeśli tak, to byłby to rozsądny wybór.

Powinieneś Nie używać minimalnej wartości na skali ratingowej dla tego parametru, ponieważ pozycja oceniana bardzo słabo przez użytkowników powinna skończyć się "gorsza" niż pozycja domyślna bez ocen.

Jeśli chcesz wybrać R używając danych, a nie tylko intuicji, możesz można użyć następującej metody:

• rozważ wszystkie pozycje z co najmniej pewnym progiem ocen użytkowników (dzięki czemu możesz mieć pewność, że średnia ocena użytkowników jest w miarę dokładna).
• dla każdego przedmiotu, Załóżmy, że jego "prawdziwy wynik" jest średnią oceną użytkownika.
• Wybierz R jako medianę tych wyników.

Jeśli chcesz być nieco bardziej optymistyczny lub pesymistyczny w stosunku do pozycji bez oceny, możesz wybrać R, aby być innym percentylem wyników, na przykład 60.percentyl (optymistyczny) lub 40. percentyl (pesymistyczny).

Wybór W

Wybór W powinien zależeć od tego, ile ocen ma typowy przedmiot i jak spójne są oceny. W może być wyższa, jeśli przedmioty naturalnie uzyskują wiele ocen, i W powinna być wyższa, jeśli masz mniej zaufania do ocen użytkowników (np. jeśli masz dużą aktywność spamera). Zauważ, że W nie musi być liczbą całkowitą i może być mniejsza niż 1.

Wybór W jest kwestią bardziej subiektywną niż wybór R. Jednak oto kilka wskazówek:

• Jeśli typowa pozycja uzyskuje C oceny, to W nie powinna przekraczać C, w przeciwnym razie końcowy wynik będzie bardziej zależny od R niż od rzeczywistych ocen użytkowników. Zamiast tego W powinno być blisko ułamka C, być może między C/20 a C/5 (w zależności od tego, jak głośne lub "spamowe" oceny są).
• Jeśli historyczne oceny są zwykle spójne (dla jednostki pozycja), wtedy W powinna być stosunkowo mała. Z drugiej strony, jeśli oceny dla przedmiotu bardzo się różnią, to W powinny być stosunkowo duże. Możesz myśleć o tym algorytmie jako o" absorbujących " W ocenach, które są nienormalnie wysokie lub niskie, zamieniając te oceny w bardziej umiarkowane.
• w skrajnym przypadku ustawienie W = 0 jest równoważne użyciu tylko średniej ocen użytkowników. Ustawienie W = infinity jest równoznaczne z ogłoszeniem, że każdy element ma prawdziwą ocenę R, niezależnie od użytkownika oglądalności. Oczywiście żadna z tych skrajności nie jest właściwa.
• zbyt duże Ustawienie W może mieć skutek faworyzowania przedmiotu o wielu umiarkowanie wysokich ocenach w stosunku do przedmiotu o nieco mniejszej wyjątkowo wysokiej oceny.