Как сбалансировать количество рейтингов по сравнению с самими рейтингами?

Вы можете использовать метод, вдохновленный байесовской вероятностью. Суть подхода состоит в том, чтобы иметь первоначальное убеждение об истинном рейтинге элемента и использовать оценки пользователей для обновления своего убеждения.

Этот подход требует двух параметров:

1. Как вы думаете, какова истинная" дефолтная " оценка элемента, если у вас вообще нет оценок для элемента? Назовем это число R "первоначальным убеждением".
2. сколько веса вы придаете первоначальному убеждению, по сравнению с пользовательскими рейтингами? Назовем это W, где начальное убеждение - это" ценность " W оценок пользователей этого значения.

С параметрами R и W вычислить новый рейтинг просто: предположим, что у вас есть W рейтинги ценности R вместе с любыми пользовательскими рейтингами и вычислить среднее значение. Например, если R = 2 и W = 3, мы вычисляем итоговую оценку для различных сценариев ниже:

• 100 (пользовательских) оценок из 4: (3*2 + 100*4) / (3 + 100) = 3.94
• 3 оценки 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 Оценка 5: (3*2 + 1*5) / (3 + 1) = 2.75
• нет оценок пользователей: (3*2 + 0) / (3 + 0) = 2
• 1 Оценка 1: (3*2 + 1*1) / (3 + 1) = 1.75

Это вычисление учитывает количество оценок пользователей и значения этих оценок. В результате итоговая оценка примерно соответствует тому, насколько счастливым можно ожидать быть по поводу конкретного предмета, учитывая данные.

Выбор R

Когда вы выбираете R, подумайте о том, какое значение вы будете чувствовать себя комфортно, принимая за предмет без оценок. Является ли типичный пункт без рейтинга на самом деле 2,4 из 5, Если вы должны были мгновенно заставить всех оценить его? Если это так, то R = 2.4 будет разумным выбором.

Вы должны не использовать минимальное значение шкалы оценок для этого параметра, так как элемент, оцененный чрезвычайно плохо пользователями, должен в конечном итоге оказаться "хуже", чем элемент по умолчанию без оценок.

Если вы хотите выбрать R, используя данные, а не просто интуицию, вы можно использовать следующий метод:

• рассмотрим все элементы, имеющие хотя бы некоторый порог оценок пользователей (чтобы вы могли быть уверены, что средний рейтинг пользователей достаточно точен).
• для каждого элемента предположим, что его "истинная оценка" - это средняя оценка пользователя.
• выберите R в качестве медианы этих оценок.

Если вы хотите быть немного более оптимистичным или пессимистичным в отношении элемента без рейтинга, вы можете выбрать R, чтобы быть другим процентилем оценок, например, 60-й процентиль (оптимистический) или 40-й процентиль (пессимистический).

Выбор W

Выбор W должен зависеть от того, сколько оценок имеет типичный элемент и насколько последовательны оценки. W может быть выше, если элементы естественным образом получают много рейтингов, и W должен быть выше, если у вас меньше доверия к пользовательским рейтингам (например, если у вас высокая активность спамера). Обратите внимание, что W не обязательно должно быть целым числом и может быть меньше 1.

Выбор W - это более субъективный вопрос, чем выбор R. Однако вот некоторые рекомендации:

• если типичный элемент получает C оценки, то W не должен превышать C, иначе итоговая оценка будет больше зависеть от R, чем от фактических оценок пользователя. Вместо этого W должен быть близок к доле C, возможно, между C/20 и C/5 (в зависимости от того, насколько шумными или "спамовыми" являются рейтинги).
• Если исторические рейтинги обычно непротиворечивы (для отдельного человека пункт), ТО W должно быть относительно мало. С другой стороны, если оценки для элемента сильно варьируются, то W должны быть относительно большими. Вы можете думать об этом алгоритме как о "поглощении" W оценок, которые аномально высоки или низки, превращая эти оценки в более умеренные.
В крайнем случае, установка W = 0 эквивалентна использованию только среднего значения оценок пользователей. Установка W = infinity эквивалентна объявлению, что каждый элемент имеет истинную оценку R, независимо от пользователя номинальные параметры. Ясно, что ни одна из этих крайностей не подходит. Слишком большое значение параметра Wможет привести к тому, что предпочтение будет отдаваться элементу со многими умеренно высокими оценками, а не элементу с несколько меньшим числом исключительно высоких оценок.