在当今的互联网世界，评分系统无处不在，从电子商务网站到博客、新闻网站、酒店和食品评论等。这些评分系统背后的核心思想是一种称为贝叶斯调整评分的概念。本文将讨论贝叶斯调整评分及其背后的直觉。
是否在购买产品前总是查看产品的评分和评价数量？通常依赖这些因素来评估产品，然后再决定是否购买。这些评分不仅仅局限于电子商务网站，它们现在遍布互联网的各个角落，如博客、新闻网站、酒店评论、食品评论、电影评论等。一直很好奇这些评分系统是如何工作的。作为一名数据科学专业人士，想知道这是否仅仅是一个简单的平均值计算，还是涉及到更多的数据科学内容。研究结果非常有趣，将在本文中看到。
在线社交网络不仅仅局限于一些专门的网站或应用程序，它们存在于互联网的各个角落。这些协作的虚拟社区展示了人们以社交影响力的形式对彼此的影响。社交影响力可以采取多种形式，可以在一致性、遵从性、同伴压力、服从、说服以及销售和市场营销中看到。
参与在线客户评分和评论的人构成了一个对类似产品或服务感兴趣的社交网络。网络上的产品和服务的最终用户使用“星级”和“点赞”按钮以及偶尔的文本评论进行交流。这无疑是与可能想到的任何其他网络一样或更具有行动性的。
“人”构成了任何评分或声誉系统的核心和客户，无论它是为了哪个平台。它可以是一个评论论坛（如Yelp、IMDb或Beer Advocate）、共享经济（如Airbnb或Uber）、市场（如亚马逊、Flipkart或Swiggy），甚至是中国的新兴社会信用体系。
评分已经深入心理，以至于“信任”不再是一个问题。下意识地相信它们，根据它们做出交易决策，真诚地用个人选择投资于它们。
那么，为什么评分对选择如此基本呢？为什么要用时间、金钱和情感信任它们呢？可以合理地假设这些评分创造了一种透明度，并验证了自己的决策，并通过一个方便的标量值有效地提供同样的服务。
将来自各自用户社区的数百个评分压缩成一个独特的评分值，可以概括多样性的本质，这既是艺术领域，也是科学领域。
有一种技能，一种掌握程度，某些企业如何有效地使用它们。对它们来说，这是一个秘密的酱料，保持这样是为了减少那些更感兴趣的人试图改变当前评分而不是给出他们对它的真正意见的尝试。
在像亚马逊这样的市场上对同一类别的竞争产品进行排名的哲学是使排名看起来自然；为了实现这一点，排序指标（即为每个产品提供的标量评分值）应该继承它收到的“评论数量”的本质相对于整个类别。
因此，从特定类别的用户整体评分开始。然后，将策略从“简单平均评分”转变为“贝叶斯调整评分”，以便将评论数量的变化纳入产品排名。
转向贝叶斯方法提供了即使在有较少观察时也能保持一致的安慰。这是因为那时很可能会偶然获得极端值。
假设想要在类别中找到3个选项中的最佳产品。以下是如何手动计算的：最终，任何新用户关心的是基于他们可以观察到的排名的直观性（即每个产品的评分和评论数量），现在可以看到所有单独的数据，如果看到最佳产品有最小的可能是劣质产品，这将使更加信任网站。
这种直觉是贝叶斯调整评分形式化的。回到使用从浏览量、点赞和分享组合中派生的某种评分对博客进行排名，观察到简单排名给予点赞百分比和分享百分比的权重。
对于感兴趣的观众，文章评分是点赞、分享和浏览量的加权平均值。
在这里，不会深入计算的细节，因为目标是向介绍贝叶斯调整评分的概念。如果对背后的数学感兴趣，鼓励查看在线资源（有很多）。
在这里，将直接跳到贝叶斯调整对评分系统的核心：然后可以使用新的贝叶斯调整评分来计算新的排名。这为文章提供了比简单平均评分更直观的排名。
在这一点上，鼓励拿起一个小数据集并亲自尝试这个概念。学习数据科学的理论方面是好的，但直到真正看到它在行动中，才能真正欣赏它的价值。让知道实验在下面的文章评论部分如何。很想在那里进一步讨论！
让快速总结一下在这里涵盖的内容。关注点是什么？当有一个或多个产品只有很少的评分时，它们如何与评分已知程度很高的产品进行比较？解决方案是什么？
知道一些产品比其他产品有更多的评论和评分，可以将其视为一个滑动尺，如果一个产品有很多评论，应该信任它自己的平均值。但如果它相对于其他产品得到的评论太少，那么应该假装它是一个整个类别的平均产品。
这正是贝叶斯调整评分所做的，它将评分在该产品的简单平均值和整个类别之间进行调整，这取决于对其自身评分的信任程度。
根据从他们的浏览量中收到的“点赞”和“分享”的伪计数，前两篇博客应该是文章#3和#5。