在计算分数时消除偏差

Question

我有一个相对简单的算法问题，我向用户推荐问题

1. 我有一组问题和答案（比如每个问题的评论） 回答）
2. 我想评分每个问题的吸引力。

目前的实施：

(total comments + likes for all answers for a question) / sqrt (number of answers)

问题：

1. 有时，一个有大量活动的答案会扭曲问题的分数，即使其他20个答案产生的兴趣也很少
2. 对于几乎没有答案的问题，应该减少一些。

不胜感激任何有关这两个问题的建议都可以否定。

Answer 1

通常当我们想避免让一个样本过于强大时，标准的方法就是通过以下方法之一：

1. 使用log(N)代替N，使每项观察的效果不那么强大 ¹
2. 留下“奇怪的”观察结果：只取中间的X％，然后使用它们，例如：从这个问题的最大值开始只采集1/4 - 3/4喜欢的观察，然后保持倾斜例子。

对于第二个问题 - 我能想到的一件事就是给出一个变量因素：改为使用sqrt(number of answers) - 您可以尝试(number_of_answers)^(log(number_of_answers+1)/log(max_answers+1))其中max_answers是每个问题的最大答案数在您的数据集中。
这将导致提出问题的答案很少，我认为这就是你所追求的目标。

---

（1）：我们通常会log(N+1) - 因此也会为N==0定义。