Question

根据我网站上用户生成的帖子，我有一个类似亚马逊的评分系统：

   Was this review helpful to you: Yes | No

如果有投票，我会在上面显示结果：

   5 of 8 people found this reply helpful.

我想根据这些排名对帖子进行排序。如果您从最有帮助到最不实用的排名，您将如何订购以下帖子？

   a) 1/1 = 100% helpful
   b) 2/2 = 100% helpful
   c) 999/1000 = 99.9% helpful
   b) 3/4 = 75% helpful
   e) 299/400 = 74.8% helpful

显然，仅对有用的百分比进行排序是不对的，不知何故应该考虑总票数。是否有标准的方法来做到这一点？

更新

使用Charles'公式计算Agresti-Coull较低范围并对其进行排序，以上示例将如何排序：

   1) 999/1000 (99.9%) = 95% likely to fall in 'helpfulness' range of 99.2% to 100%
   2) 299/400 (74.8%) = 95% likely to fall in 'helpfulness' range of 69.6% to 79.3%
   3) 3/4 (75%) = 95% likely to fall in 'helpfulness' range of 24.7% to 97.5%
   4) 2/2 (100%) = 95% likely to fall in 'helpfulness' range of 23.7% to 100%
   5) 1/1 (100%) = 95% likely to fall in 'helpfulness' range of 13.3% to 100%

直观地说，这感觉很合适。

更新2 ：

从应用程序的角度来看，我不希望每次提取帖子列表时都运行这些计算。我想我会以常规的，由cron驱动的时间表更新和存储Agresti-Coull下限（仅更新自上次运行以来收到投票的那些帖子），或者每当收到新的投票时更新它

Answer 1

对于每篇帖子，生成您期望它有多大帮助的界限。我更喜欢使用Agresti-Coull间隔。伪代码：

float AgrestiCoullLower(int n, int k) {
  //float conf = 0.05;  // 95% confidence interval
  float kappa = 2.24140273; // In general, kappa = ierfc(conf/2)*sqrt(2)
  float kest=k+kappa^2/2;
  float nest=n+kappa^2;
  float pest=kest/nest;
  float radius=kappa*sqrt(pest*(1-pest)/nest);
  return max(0,pest-radius); // Lower bound
  // Upper bound is min(1,pest+radius)
}

然后取估计的下限并对此进行排序。因此，2/2（由Agresti-Coull提供）95％可能在“有用性”范围内下降23.7％至100％，因此它的排序低于999/1000，其范围为99.2％至100％（自.237＆lt; ; .992）。

编辑：由于有些人似乎发现这有用（哈哈），让我注意一下，算法可以根据您想要的自信/风险来调整。您需要的信心越少，您就越愿意放弃未经测试但得分高的评论的“经过验证的”（高投票）评论。 90％置信区间给出kappa = 1.95996398，85％置信区间给出1.78046434,75％置信区间给出1.53412054，并且所有注意到风50％置信区间给出1.15034938。

50％置信区间给出

1) 999/1000 (99.7%) = 50% likely to fall in 'helpfulness' range of 99.7% to 100%
2) 299/400 (72.2%) = 50% likely to fall in 'helpfulness' range of 72.2% to 77.2%
3) 2/2 (54.9%) = 50% likely to fall in 'helpfulness' range of 54.9% to 100%
4) 3/4 (45.7%) = 50% likely to fall in 'helpfulness' range of 45.7% to 91.9%
5) 1/1 (37.5%) = 50% likely to fall in 'helpfulness' range of 37.5% to 100%

总体上没有那么不同，但它确实更喜欢2/2和3/4的安全性。

Answer 2

http://stats.stackexchange.com可能更好地提出这个问题。

我猜你还是想增加'乐于助人'来订购。

如果您想知道给定数字的精确程度，最简单的方法是使用Binomial distribution方差的平方根，n等于响应总数p 1}}响应的一部分是“有用的”。

Answer 3

一个非常简单的解决方案是忽略所有截止票数，然后按百分比排序。

例如（要求至少五票）

   1.  99.9% (1000 votes)
   2.  74.8%  (400 votes)
   3-5.  waiting for five votes

Answer 4

这取决于预期的积极反馈率和平均投票人数。如果像你给出的例子那样，你有时会有5人和10人投票，而其他时间则有1000人，那么我会建议威尔逊中点：

(x+z^2/2)/(n+z^2)    The midpoint of the Adjusted Wald Interval / Wilson Score

where:
n = Sum(all_votes),  
x = Sum(positive_votes) / n, 
z = 1.96 (fixed value)

我该如何订购这些“有用”的分数？

4 个答案: