我应该如何订购这些“有用”的“rdquo;成绩吗?
在我网站上用户生成的帖子下,我有一个类似亚马逊的评级系统:
Was this review helpful to you: Yes | No
如果有投票,我会在上面显示结果,如下所示:
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,它不能仅对有用的百分比进行排序,不知何故应该考虑总票数。是否有一种标准的方法可以做到这一点?
更新:
使用Charles的公式来计算Agresti-Coull的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,这感觉很对。
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。
没有找到相关结果
已邀请:
4 个回复
迪擅哨乘傅
然后取估计的下端并对此进行排序。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< ; .992)。 编辑:由于有些人似乎发现这有用(哈哈),请注意,可以根据您想要的自信/风险规避来调整算法。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 = 1.95996398,15%置信区间给出1.78046434,75%置信区间给出1.53412054,并且全警告50%置信区间给出1.15034938。 50%置信区间给出
总体而言并没有那么不同,但它确实更喜欢2/2和3/4的安全性。
田眯衅
等于响应总数,
是“有用”的响应分数。
陈獭
夏瓤跋棘