大规模候选者的评分与排序

评审团常以基数尺度（如 {1,2,3,4,5}）或序数尺度（如 {优秀, 良好, 中等, 差}）对一组候选者进行评分，这是常见情形。当候选者数量极大时，如酒店（BOOKING）、餐厅（GOOGLE）、公寓（AIRBNB）、司机（UBER）或论文（EC），假设每位评审成员都为每个候选者单独打分是不合理的。每位评审成员更可能对某些候选者弃权、投空白票，或被随机地、或依其专长地仅与一小部分候选者相关联，并被要求对其中的每一个进行评分。在推广经典理论的基础上，我们研究这样一种聚合方法：投票者无资格对所有候选者评分，且候选者所对应的有资格投票者集合也不尽相同。此外，在其有资格的每个候选者上，投票者可在以下三者间选择：投空白票、对候选者评分或弃权。假设对评分具有单峰偏好，我们公理化地刻画了一大类满足一致性、匿名性、中立性、参与性或一致性等公理的防策略评分机制。最后，当需要严格排序时（例如区分会议中两篇临界论文），我们定义了一些打破平局的规则，推广了字典极小与多数判断，并证明它们等价于在更丰富结果空间上的某些防策略评分函数。我们的论文将提出称为幻影代理机制的新规则，以聚合上述或其他例子中的选票，其不同于通常易被操纵的平均分，且幻影代理能够减少由某些评审团过于宽厚或严苛所造成的非公正。