@kojp 我……是男的！= =

@zhujg 这里转一段关于算法的解释

「这个投票有一个问题，如果有人恶意刷票或者是像我这种懒人，从前往后看，看到哪个的时候眼睛一亮，就投一票这种类型，会造成一个后果，那就是排行榜前列总是那些票数最多的项目，新项目或者冷门的项目，很难有出头机会，排名可能会长期靠后。毕竟没有人去刻意看排名靠后的那些，心理作用嘛，靠后的自然是长得不好看的。解决这个问题，最大的电影评分网站 IMDB 有一套自己的解决方案，在排名页最下方，网站给出了他们的算法：
weighted rating (WR) = ( v ÷ ( v + m ) ) × R + ( m ÷ ( v + m ) ) × C ，其中：
- WR， 加权得分（weighted rating）。
- R，该电影的用户投票的平均得分（Rating）。
- v，该电影的投票人数（votes）。
- m，排名前250名的电影的最低投票数（现在为3000）。
- C， 所有电影的平均得分（现在为6.9）。
研究公式，你就会发现，IMDB 为每部电影增加了 3000 张选票，并且这些选票的评分都为 6.9。这样做的原因是，假设所有电影都至少有 3000 张选票，那么就都具备了进入前 250 名的评选条件；然后假设这 3000 张选票的评分是所有电影的平均得分（即假设这部电影具有平均水准）；最后，用现有的观众投票进行修正，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。这样做拉近了不同电影之间投票人数的差异，使得投票人数较少的电影也有可能排名前列。如果将上面那个公式写成更一般的公式：
x 平均 = ( C × m + ∑( i = 1 to n )xi ) ÷ (n + C ) ，其中：
- C，投票人数扩展的规模，是一个自行设定的常数，与整个网站的总体用户人数有关，可以等于每个项目的平均投票数。
- n，该项目的现有投票人数。
- x，该项目的每张选票的值。
- m，总体平均分，即整个网站所有选票的算术平均值。
这个就是贝叶斯平均，基本思想就是，既然不知道投票结果，那就先估计一个值，然后不断用新的信息修正，使得它越来越接近正确的值。在这个公式中，m 是"先验概率"，每一次新的投票都是一个调整因子，使总体平均分不断向该项目的真实投票结果靠近。投票人数越多，该项目的"贝叶斯平均"就越接近算术平均，对排名的影响就越小。因此，这种方法可以给一些投票人数较少的项目，以相对公平的排名。说到这里，这个网站是怎么评选出来的，自然也就不用我多说了。

这里顺便说一下另一种排名方法，也就是利用威尔逊区间的下限值来排，这个应该是 WHU Facemash 的算法。在描述算法之前，先说两个错误的算法，一个是 得分 = 赞成票 - 反对票，另一个是 得分 = 赞成票 / 总票数，后者在基数非常大的情况下是正确的，包括上述算法」[1]

[1]原文地址 http://user.qzone.qq.com/461420086/blog/1342677720

[2]更丰富的其它参考

- 阮一峰《基于用户投票的排名算法（六）：贝叶斯平均》
http://www.ruanyifeng.com/blog/2012/03/ranking_algorithm_bayesian_average.html
- 阮一峰《基于用户投票的排名算法（五）：威尔逊区间》
http://www.ruanyifeng.com/blog/2012/03/ranking_algorithm_wilson_score_interval.html