我正在建立一个新闻网站，用户可以在该网站上下投票。这些文章链接到不同的实体：人，地点，公司......实体具有全局分数和每个用户分数。
因此，当用户在文章中向上/向下投票时，链接的实体全局得分和每个用户得分会发生变化。
例如：有一篇文章提及谷歌和微软。用户A喜欢这篇文章并投票。谷歌和微软实体的全球和用户A分数增加。
我希望用户A对他的个人得分影响更大，对全球得分影响更小。
此外，实体必须从一些分数开始，以便第一个网站用户不能减少太多分数。
我正在考虑将实体从0到1排序。投票是二元的：像（1），而不是像（0）。
我正在查看Bayesian average中提到的this blog post方法，其中C = 0.7并且m的值不同（我使用m代表个人分数，另一个代表一般分数）。我跑的测试显示个人和全球得分几乎没有差异。好像我找不到合适的价值观。
编辑：
这是我用来计算贝叶斯的代码（python）。使用这个公式，结果更好：
def bayesian_average(votes, C=100, m=0.7): #C higher for global
#votes = [1,0,1,0,0,1,1,1]
avg_votes = C
avg_rating = m
ent_votes = len(votes) #entity votes
ent_rating = sum(votes) / float(ent_votes)
ba = ( (avg_votes * avg_rating) + (ent_votes * ent_rating) ) / (avg_votes + ent_votes)
return ba