贝叶斯平均：排序算法之二

贝叶斯平均思想和公式

前期讲过Wilson得分进行排序，解决了观看量很少，导致结果不可信的问题。Wilson评分虽然保证了排名的可靠性，但该排序方法也会大大削弱那种观看量少（小众的）的视频的得分，忽略了冷门视频和新事物的产生，这样排名榜上始终会是那些观看量高的视频，新视频和冷门的视频很难出来，长期靠后。

这里就有一个问题：热门视频与冷门视频的平均得分，是否真的具有可比性？举个例子来说，一个热门视频每天2000次曝光，另外一个冷门视频只有50次曝光。很明显，使用Wilson评分，后者的得分将被大幅拉低，所以考虑到贝叶斯平均进行排序，给每个视频增加一定量的曝光。

其思想在于：

1. 假设所有视频都至少有m次曝光（设置一个基准），那么就都具备了同等的一个评选条件；
2. 然后假设这m次曝光的评分是所有视频的平均得分（即假设这个视频具有平均水准）；
3. 最后，用现有的评分进行修正，长期来看，v/(v+m)这部分的权重将越来越大，得分将慢慢接近真实情况。

贝叶斯平均式子如下：

v : 代表该视频的实际观看量；
m : 代表最低的一个观看量（人工干预设置，可根据实际观看情况