绝大多数时候，一群人合起来都会比一个人更有智慧。问题是每个人天生都知道怎么运用自己的智慧，但群体是个人的集合，汇聚许多人的智慧，需要方法。
今天再讲第二个：贝叶斯推理的方法。
豆瓣的简单平均法简洁但远不完美。假设一部电影只有两个人打分五星，另一部电影一百万人打分平均4.9星。哪部电影更好？简单平均法识别不了。
这时候就需要另一种算法，贝叶斯推理。
电影评价类网站的始祖和霸主IMDb用的就是这种算法，它能够解决极少数用户打极高分或者极低分的时候，对一部电影的评价出现不准确或不公平的问题。
在这一点上，它是一个比豆瓣更优化的评价机制。
那什么是贝叶斯推理呢？贝叶斯推理是一种更新既有判断的方法，有两个要点：首先你有一个既有判断；其次获得新信息，不断调整更新。
这么说有点抽象，其实我们每个人在生活中都在用，我来举个例子你就知道了。
比如，我第一次跟你见面，我不了解你，对你一无所知，但是我对人类有点了解。我先入为主的看法就是好人和坏人三七开，七分好三分坏。
那我跟你打交道，我就假设你也是三七开，我们在一起聊了一个小时的天，我给你多打一分，就变成二八开了；我们共事的一年，我觉得你特别棒，就变成一九开了。
这就是我们用贝叶斯推理对人进行的评价和判断。那贝叶斯推理在IMDb电影评分机制上是怎样运用的呢？
贝叶斯推理总是从预先的假设开始。既然事先不知道一部电影得分会是多少，那就给它一个基准分，对应一个基准的投票数。IMDb给的基准分是网站上所有电影的平均分，比如6.5，对应基准的打分人数，比如是3000人。
不管是什么电影，在获得第一个用户打分之前，默认都是得6.5分，对应着3000张投票。
你看了电影，开始打分，新信息进来了。贝叶斯推理会用这些新信息修正得分，随着每个用户的打分变化。算法我就不列了。大体上是这样的情境：
如果只有一个用户打分，那么电影得分无限接近于网站平均分；如果有3000真实用户打分，跟基准数一样，那么得分正好是3000名真实用户实际打分，与网站平均分两个分值之间的平均分；如果打分用户数量极大，那么得分会极度逼近这些用户的实际打分。
投票人数的问题处理好了，但问题没完。
网友评论