評分料仗、評星湾盗、投票是很多網(wǎng)站的標(biāo)配，比如淘寶的寶貝評價罢维、知乎的贊同淹仑。有些網(wǎng)站甚至以這些功能為生存根基，比如大眾點(diǎn)評肺孵、豆瓣等應(yīng)用匀借，用戶的打分、評論是它們的主要功能平窘，目的就是對不同對象進(jìn)行排序吓肋，從而為有需求的用戶提供決策依據(jù)。目前大多涉及打分瑰艘、投票的網(wǎng)站是鬼，所有參與用戶的權(quán)重都是一樣的。但這其實(shí)存在一些問題紫新。

一均蜜、存在問題

1.針對單一項目：由于偏好等主觀因素和專業(yè)性等客觀因素導(dǎo)致結(jié)果失真

以大眾點(diǎn)評為例，吃是一件很個性化的事情芒率，是完全基于主觀感受的囤耳，這就導(dǎo)致結(jié)果的參考性并不強(qiáng)。舉個例子，兩個人同時去吃泰國菜充择，對于喜歡這種酸辣口味的人來說德玫，會覺得這家餐廳很好吃，那么他在打分的時候就會偏高了打椎麦；而對于吃不慣泰式口味的人就會覺得這家店很難吃宰僧，打分的時候自然會往偏低了打。假設(shè)在短時間內(nèi)观挎，去這家泰國餐廳吃飯的人以吃不慣泰國菜的人居多琴儿，最后評分總體偏低，此時一個喜歡吃泰國菜的人在大眾點(diǎn)評上看見這家店評分太低就不去吃了键兜，但其實(shí)總的來說這家店的口味是中上水平的凤类，那這時候這個評分就會對用戶產(chǎn)生誤導(dǎo)作用。而這個誤導(dǎo)作用的根源就是因?yàn)闆]有對用戶進(jìn)行劃分普气，所有用戶的打分占比的權(quán)重是一樣的谜疤，沒有把其中真正有效的打分從眾多無效打分中區(qū)分出來。

通過劃分用戶屬性改變權(quán)重來增強(qiáng)結(jié)果的有效性

針對大眾點(diǎn)評而言现诀，我認(rèn)為合理的打分機(jī)制應(yīng)該是這樣的夷磕。首先對用戶的偏好口味和商家的口味都進(jìn)行標(biāo)簽化，然后當(dāng)用戶打分的時候仔沿，將用戶的偏好和商家的進(jìn)行匹配坐桩，再根據(jù)兩者的匹配度給用戶分配一定的權(quán)重。為什么這樣合理呢封锉？我舉一個有點(diǎn)極端的例子绵跷。原來的打分機(jī)制就好像一群身份完全不同的人，醫(yī)生成福、律師碾局、投資人、學(xué)生奴艾、家庭主婦净当、清潔工等等聚集在一起討論一個醫(yī)學(xué)問題，然后得出了一個平均答案蕴潦。而我說的這種投票機(jī)制也是同樣一群人像啼，不同的是我把其中的醫(yī)生區(qū)分出來，給他們賦予了更多的權(quán)利潭苞，在統(tǒng)計結(jié)果的時候主要參考他們的意見忽冻，然后再輔之以其他人群的意見。對兩種打分機(jī)制進(jìn)行比較此疹，顯然后者統(tǒng)計的結(jié)果更具參考意義甚颂。

歸根究底就是權(quán)重兩個字蜜猾。首先，劃分用戶身份振诬；然后，根據(jù)具體情況分配權(quán)重衍菱；最后赶么，計算出加權(quán)分。其實(shí)最根本的問題是如何區(qū)分用戶身份脊串。我前面提供了一種標(biāo)簽化的方法辫呻，根據(jù)一定的屬性來細(xì)化用戶身份。我設(shè)想的大眾點(diǎn)評打分機(jī)制其實(shí)就是根據(jù)兩者的共同點(diǎn)來匹配雙方琼锋。像知乎放闺，也有人提議對贊同根據(jù)專業(yè)領(lǐng)域進(jìn)行加權(quán)。比如中醫(yī)的討論缕坎，就應(yīng)該以醫(yī)界人士的意見為準(zhǔn)怖侦，那么學(xué)醫(yī)人士的一票贊同就應(yīng)該等于普通人的1.5票（1.5票只是舉例，沒有科學(xué)依據(jù)）谜叹。

2.針對多個項目：由于參與人數(shù)差異導(dǎo)致的不可比較性

以電影點(diǎn)評網(wǎng)站為例匾寝，這里就有一個問題：熱門電影與冷門電影的平均得分，是否真的可比荷腊？舉例來說艳悔，一部好萊塢大片有10000個觀眾投票，一部小成本的文藝片只有100個觀眾投票女仰。這兩者的投票結(jié)果猜年，怎么比較？如何才能公平地反映出一部電影真正的質(zhì)量疾忍？

通過加權(quán)分來彌補(bǔ)差異

一個合理的思路是乔外，如果要比較兩部電影的好壞，至少應(yīng)該請同樣多的觀眾觀看和評分锭碳。既然文藝片的觀眾人數(shù)偏少袁稽，那么應(yīng)該設(shè)法為它增加一些觀眾。IMDB網(wǎng)站是目前互聯(lián)網(wǎng)上最為權(quán)威擒抛、系統(tǒng)推汽、全面的電影資料網(wǎng)站，它所特有的電影評分系統(tǒng)深受影迷的歡迎歧沪，注冊用戶可以給任何一部影片打分并加以評述歹撒，網(wǎng)站又會根據(jù)影片所得平均分、選票的數(shù)目等計算得出影片的加權(quán)平均分并以此進(jìn)行TOP250（最佳250部影片）和Bottom100（最差100部影片）的排行诊胞。

根據(jù)IMDB網(wǎng)站上公布的TOP250評分標(biāo)準(zhǔn)暖夭，IMDB top 250用的是貝葉斯統(tǒng)計的算法得出的加權(quán)分(Weighted Rank-WR)锹杈，公式如下：

WR = ( v/(v+m))×R + (m÷(v+m) )×C

（其中：R是用普通的方法計算出的平均分；v是參與投票的人數(shù)迈着；m是進(jìn)入IMDB top 250需要的最小票數(shù)竭望；C是目前所有電影的平均得分）

仔細(xì)研究這個公式，你會發(fā)現(xiàn)裕菠，IMDB為每部電影增加了m張選票咬清，并且這些選票的基本評分都為c。這樣做的原因是奴潘，假設(shè)所有電影都至少有m張選票旧烧，那么就都具備了進(jìn)入前250名的評選條件；然后假設(shè)這m張選票的評分是所有電影的平均得分画髓；最后掘剪，用現(xiàn)有的觀眾投票進(jìn)行修正，長期來看奈虾，v/(v+m)這部分的權(quán)重將越來越大夺谁，得分將慢慢接近真實(shí)情況。這樣做拉近了不同電影之間投票人數(shù)的差異愚墓，使得投票人數(shù)較少的電影也有可能排名前列予权。

二、權(quán)重是否違背了公平原則

無論打分還是投票浪册，我們都是秉著公平公正公開的原則扫腺，如果給一個人多一點(diǎn)權(quán)利，是不是就違背了公平村象？其實(shí)并不然笆环。什么是公平？我的老師曾這樣給我解釋厚者，真正的公平是躁劣，公交上所有的女性、兒童库菲、老人都有座位账忘，而不再這范圍之內(nèi)的男性都站著。我們并不是生而平等的熙宇。我所謂的生而不平等是指鳖擒，術(shù)業(yè)有專攻，在不同的專業(yè)領(lǐng)域我們這些業(yè)余的就是沒有專家的科學(xué)和權(quán)威烫止。那么如何突出他們的身份蒋荚，加權(quán)。因?yàn)橹挥羞@樣馆蠕，我們才能得出最精準(zhǔn)期升、最科學(xué)的結(jié)果惊奇。

三、加權(quán)的其他意義

1.區(qū)分核心用戶播赁，避免惡意打分/投票

下面再給大家分享一種付費(fèi)用戶權(quán)重大的例子颂郎。造作是一個C2B的家具電商平臺。在家具設(shè)計方面行拢，用戶通過投票參與設(shè)計祖秒。造作給出用戶使用場景、材料舟奠、解決方式等命題，設(shè)計師會給出設(shè)計方案房维，用戶進(jìn)行投票沼瘫，得票高的設(shè)計進(jìn)入后續(xù)生產(chǎn)。在投票過程中咙俩，造作會考慮到所有用戶的意見耿戚，但付費(fèi)用戶的權(quán)重更大。造作為什么要這樣做呢阿趁？在我看來膜蛔，造作是為了通過付費(fèi)這一行為，一方面使來篩選出平臺的核心用戶脖阵。用戶行為代表了他的消費(fèi)傾向和消費(fèi)潛力皂股。平臺可以把這些消費(fèi)傾向和消費(fèi)潛力直接和產(chǎn)品掛起鉤來，這會讓平臺的銷售顯得無比精準(zhǔn)命黔。另一方面呜呐，付費(fèi)用戶較高的權(quán)重可以從一定程度上彌補(bǔ)部分搗亂分子的亂投票、惡意打分悍募。我們不可能保證每一分每一票都是有效的蘑辑，只能通過某些手段盡量減少這些無效打分無效投票。

2.避免同票同分的尷尬場面

當(dāng)我們做決策的時候最害怕出現(xiàn)平局的現(xiàn)象坠宴，這往往使得我們陷入選擇困難或者重選的局面洋魂。那么在這種情況下，權(quán)重就發(fā)揮其作用了喜鼓。怎么理解呢副砍，舉一個通俗易懂的例子，玩過狼人殺的朋友都知道颠通，警長是擁有1.5票投票權(quán)的址晕，為什么呢？因?yàn)榘滋炱比说臅r候很有可能出現(xiàn)平票的情況顿锰，那就要進(jìn)行二次陳述谨垃、二次投票启搂，而第二次的投票結(jié)果說不定仍然是平票，陷入死循環(huán)刘陶。此時警長那多出來的0.5票就可以完美解決這個問題了胳赌。

以上純屬個人的一些小想法，歡迎大家指錯匙隔、討論疑苫。