• <tbody id="ijn2g"><nobr id="ijn2g"></nobr></tbody>

  • <tbody id="ijn2g"></tbody>
  • <tbody id="ijn2g"><nobr id="ijn2g"><optgroup id="ijn2g"></optgroup></nobr></tbody>

        1. 站长工具,就用查一把!
          收录查询  关键词排名  Alexa排名  PR检测  友情检测  IP反查  WHOIS查询   更多查询 
            收藏  最近查询 查一把
          信息分类 首页 » 资讯信息

          好站推荐

          IT新闻

            业界猜想

            名人名企

          建站推广

            站长创业

            运营推广

          设计编程

            美工设计

            开发编程

          豆瓣电影的分数和排序算法
          信息来源:查一把 发布时间:2012/3/13

          可以参考IMDB的评分模式
          这是一种贝叶斯统计的算法得出的加权分(Weighted Rank-WR)
          IMDB评分如下:
          weighted rank (WR) = (v ÷ (v+m)) × R + (m ÷ (v+m)) × C

          其中:

          R = average for the movie (mean) = (Rating) (是用普通的方法计算出的平均分)

          v = number of votes for the movie = (votes) (投票人数,需要注意的是,只有经常投票者才会被计算在内,这个下面详细解释)

          m = minimum votes required to be listed in the top 250 (currently 1250) (进入imdb top 250需要的最小票数,只有三两个人投票的电影就算得满分也没用的)

          C = the mean vote across the whole report (currently 6.9) (目前所有电影的平均得分)

          其实考虑个人信誉权重的确可以提高精确度,基本的实现并不困难,无外乎就是一些评价结果的反馈性迭代。但是由于电影评价类似于文学评论,具有过高的主观因素,因此精确化的评分机制(比如按照影片类别、受众特点等)其实还是相当困难——这也是我曾经想做的一个算法:即一个评论目标不是只有一个评分,而是根据用户的身份、年龄、性别、喜好等给出一个评分,其对于不同人的差异类似“你可能会喜欢xx影片”的结果因人而异一样

          我是外行,说些外行话
          1.Like的机制。我猜已经有了。
          2.针对点Like的人粉丝数、活跃度、忠诚度....来给一个权重区间
          3.rank值。喜欢A后,又喜欢B。然后,反过来会给A再加分。
          说白了属于facebook(like)+google(rank)的结合体。
          这个只是我个人在做的一个头脑风暴,见笑了

           

          转载请注明出处:站长工具 信息来源:http://www.investorwag.com/Content/333
          网友点评
          一个老男人把我下边玩肿了
        2. <tbody id="ijn2g"><nobr id="ijn2g"></nobr></tbody>

        3. <tbody id="ijn2g"></tbody>
        4. <tbody id="ijn2g"><nobr id="ijn2g"><optgroup id="ijn2g"></optgroup></nobr></tbody>