You need to enable JavaScript to run this app. 摄影预约系统中适配新人公平性的多权重排序优化
优惠活动
大模型
产品
解决方案
定价
更多

摄影预约系统中适配新人公平性的多权重排序优化

摄影预约系统新入驻摄影师排序公平性优化方案

现有排序实现逻辑

这是一个学习实践用途的摄影师预约项目,核心采用多权重加权规则完成摄影师推荐排序:

  • 当前纳入排序的3个核心因子全部完成归一化处理:服务价格、服务距离、用户评分
  • 各因子权重可灵活配置,仅需满足所有权重总和为1的约束
  • 核心打分计算公式为:
score = (f1 * w1) + (f2 * w2) + (f3 * w3)
# 对应关系:f1=归一化服务价格得分,f2=归一化服务距离得分,f3=归一化用户评分得分

当前存在的核心问题

新入驻摄影师没有服务积累,初始用户评分为0.0,排序表现甚至落后于仅拿到1.0、2.0低分的老摄影师,天然处于排序劣势。
之前尝试过基于入驻时间、累计承接订单量判定新人身份,直接给这类摄影师的评分项赋予满分的方案,但这种方式存在明显缺陷:当评分权重设置较高时,新人的得分会直接超过拥有4.8、4.9分的资深优质老摄影师,过度挤占老用户的曝光资源;同时很容易催生专门注册新账号刷初始流量的套利行为,也无法匹配不同摄影师的实际服务能力,合理性不足。

可落地的科学改进方案

1. 用贝叶斯平滑调整评分,替代裸的平均评分

不要直接用原始累计平均评分做归一化计算,给低评价积累的摄影师引入先验评分兜底,避免极端值拉低排序:

  • 先统计全站所有已积累服务的摄影师平均评分作为先验值R_pre,再统计全站平均每个摄影师的累计评价量作为先验样本量N_pre
  • 调整后的评分计算公式为:
rating_adjusted = (total_user_evaluation_count * real_avg_rating + R_pre * N_pre) / (total_user_evaluation_count + N_pre)
  • 这种计算方式的好处是:当摄影师累计评价数极少时,最终调整后的评分会向全站平均评分靠拢,不会直接掉到0;当评价积累到足够规模后,最终评分会逐步趋近于摄影师的真实平均服务评分。举个实际的参数例子:如果全站平均评分为4.2、平均每个摄影师有10条有效评价,刚入驻的0评价摄影师的调整评分为4.2,既不会出现0分的劣势,也不会直接给满分脱离整体评分分布。

2. 渐进式新人权重倾斜,替代直接改评分的粗暴方案

不要直接给新人的评分项打满分,而是在计算最终得分时,对处于新人期的账号增加一个随单量衰减的修正项:

  • 扩展后的最终得分公式:
final_score = base_score + w_new * new_correction
  • 其中base_score是原来的加权综合得分,w_new是新人修正权重,随摄影师累计承接订单量线性衰减:比如刚入驻时w_new设为0.1,每完成1笔有效订单就扣减0.02,累计完成5单后w_new归0,不再享有额外修正
  • new_correction项取该摄影师归一化后的价格、距离得分的平均值,相当于给还没有评分积累的新人一个和其他排序因子匹配的合理得分,不会出现得分虚高的情况

3. 限定新人流量池范围,避免过度挤占老用户曝光

不需要给新人全局排序倾斜,可以单独划出固定比例的曝光位留给新人:

  • 比如列表页前30%的曝光位置中,拿出10%-15%的比例留给符合新人判定标准的账号
  • 进入这个专属流量池的新人,仅按照自身的价格、距离归一化得分排序即可,不需要额外调整评分,既给了新人初始冷启动的曝光机会,也不会出现新人排序远超高分老摄影师的不合理情况

内容的提问来源于stack exchange,提问作者Thiên Thảo

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.11.09 10:57:01