Algorithm 通过大量比较对对象进行评级的算法
假设我有一个500个对象的列表。我需要给每一个都打分 我随机挑选了两个送给一个朋友。然后我问朋友他们更喜欢哪一个。然后，我使用这个比较，即OBJECT1比OBJECT2更好地改变这两个对象的评分 然后，我重复这个随机选择，并与一群朋友进行数千次比较，直到我有一个包含500个对象的列表，其中有一个可靠的评分为10分Algorithm 通过大量比较对对象进行评级的算法,algorithm,compare,Algorithm,Compare,假设我有一个500个对象的列表。我需要给每一个都打分 我随机挑选了两个送给一个朋友。然后我问朋友他们更喜欢哪一个。然后，我使用这个比较，即OBJECT1比OBJECT2更好地改变这两个对象的评分 然后，我重复这个随机选择，并与一群朋友进行数千次比较，直到我有一个包含500个对象的列表，其中有一个可靠的评分为10分 我需要找出一个算法，将两个对象的当前评级，并根据认为哪一个更好来改变它们…每个对象的评级可以是获胜次数/参赛次数*10。所以根据他们之前参加的比赛数量，胜利者的评分会上升一点，失败者的
我需要找出一个算法，将两个对象的当前评级，并根据认为哪一个更好来改变它们…每个对象的评级可以是获胜次数/参赛次数*10。所以根据他们之前参加的比赛数量，胜利者的评分会上升一点，失败者的评分会下降一点 对于一些更复杂、对抽签的运气不太敏感、试验次数较少的东西，我建议，但这不是10次。你可以重新调整每个人的分数，使最高分变为10分，但比赛可能会影响每个人的评分，而不仅仅是两人的评分 这在某种程度上取决于可靠意味着什么。不同的朋友对彼此的评价不一致，甚至可能对同一个人的评价也不一致，所以你没有真正的排序顺序来检查排名
更深奥的一点是，Arrow的不可能定理陈述了一些很好的特性，这些特性是您希望在一个系统中拥有的，该系统接受个人偏好，并将它们组合成一个聚合的组偏好。然后它继续证明它们是相互不一致的——你不可能把它们都拥有。任何一个好的整体评分的直观想法都有可能无法实现。每个对象的评分可能是获胜次数/参赛次数*10。所以根据他们之前参加的比赛数量，胜利者的评分会上升一点，失败者的评分会下降一点 对于一些更复杂、对抽签的运气不太敏感、试验次数较少的东西，我建议，但这不是10次。你可以重新调整每个人的分数，使最高分变为10分，但比赛可能会影响每个人的评分，而不仅仅是两人的评分 这在某种程度上取决于可靠意味着什么。不同的朋友对彼此的评价不一致，甚至可能对同一个人的评价也不一致，所以你没有真正的排序顺序来检查排名 更深奥的一点是，Arrow的不可能定理陈述了一些很好的特性，这些特性是您希望在一个系统中拥有的，该系统接受个人偏好，并将它们组合成一个聚合的组偏好。然后它继续证明它们是相互不一致的——你不可能把它们都拥有。任何一个好的整体评级的直观想法都有可能无法实现