用算法来防范水军评分站点的福音

（先观影者）看了电影后的打分在4分以上（5分满分）或8.8分与9.1分之间（10分满分），但是上画第一天，电影评分就从9.1分直降至3分”

《王的盛宴》事件引发了不少对评分类网站水军的讨论。不管是电影评分还是游戏评分类站点，都可能遇到这种麻烦，那么对于用户和站点来说，怎样的算法才能相对更好的避免水军带来的干扰呢？

工具/原料

• 豆瓣评分算法

• 时光网评分算法

• 贝叶斯算法

• 手游全书评分算法

方法/步骤

1. 1

   首先我们来看看这次争议巨大的豆瓣评分算法

   豆瓣的评分机制是最低一分，最高五分，五个档次。

   豆瓣公式为得分=（5X1+4X2+3X3+2X4+X5）*2

   由于豆瓣上的用户在打分的时候加入了很多情绪化的因素。常常有打分两极分化的情况出现。豆瓣上之所以不少评分泾渭分明，在很大程度上，是和其五级简单打分制度相关的。其评分制度够简单，用户就越容易走极端。豆瓣上的评分很侧重情绪分，很能够代表豆瓣群体的判断，而不是所谓的”伪客观“。

2. 2

   再看看时光网的评分算法

   时光网采用最简单的平均分算法，同时使用不同于豆瓣的十分制。

   这种算法毋庸置疑，提高平均分数，更多用户会选择中间段的分数进行打分，相对中庸的七八分明显增多。而因为用户中庸模棱两可的想法，更没有起到真是反应分数的作用。十分制会增加用户的认知成本，有十个选择出现的时候，用户会花更多时间考虑自己要如何打分，也降低用户参与度。

   二者共同的地方在于，在评分早期遭受水军袭击后，不管是刷高分还是刷低分，都会很快的在评分上显示出来，于是造成了评分与实际质量的巨大差距，并可能对用户有极大的误导和跟风作用。那么这种简单的加权和平均算法不能满足我们的需要，有什么办法能避免水军带来的巨大影响呢？

3. 3

   贝叶斯算法也许能帮助为之发愁的厂商和用户们。贝叶斯算法是著名的电影数据库站点IMDB在使用的评分方法。

   用公式来表达一下这个算法：

   - WR，加权得分（weighted rating）
   
   　　- R，该内容的平均得分（Rating）。

   - v，票数（votes）。

   - m，基准票数

   - C，站点所有内容的平均分。

   简单的表示就是

   得分=(票数÷(票数+基准票数))×均分+(基准票数÷(票数+基准票数))×总均分

   其实这公式只有一个目的，让得分偏向平均分一些，如果投票越多，它的评分就越接近真实的平均分。否则就越接近所有游戏电影的平均分。其难点在于如何选择基准票数，并使得各个片子适当的拉开差距。

   这里就有一个问题：如何让冷门的内容和热门的内容所得的分数，具有可比性。这就是基准票数存在的意义，它给了一个合理的思路，如果要比较两个游戏的好坏，至少应该请同样多的人玩过。

   有人基准票数，任意两个内容，就站在了同一起点。

   
4. 4

   由于imdb不方便测试，我们找到了另一个使用这个算法的站点：

   手游全书

   我们对一款暂无评分的游戏使用了几个马甲进行投票，全部投十分，发现分数确实上涨了，但也只涨到了6.9。而如果这在豆瓣和时光，就已经肯定是全十分了。这可能是gamebook.91.com站点设置的基准票数m较少，如果对应用户群体巨大，那么调整相应的m值，就能达到同样抑制初期水军的作用。

   当然"贝叶斯算法"也不是万能的，主要问题是它假设用户的投票是完全呈正态分布。比如，游戏X有10个玩家评分，5个为五星，5个为一星；游戏Y也有10个观众评分，都给了三星。这两个游戏的平均得分（无论是算术平均，还是贝叶斯算法）将都是三星，但是实际上游戏X可能比游戏Y更值得玩。不过这就是另一个话题了。