通过平衡极端评分来缓解参与偏差

评分聚合在诸如产品推荐、酒店排名和教学评估等多个领域扮演着关键角色。然而，传统的平均方法可能会受到参与偏差的影响，即部分评分者未参与评分过程，从而导致潜在的扭曲。在本文中，我们考虑了参与偏差下的鲁棒评分聚合任务。我们假设评分者可能根据其个人评分以一定概率不公开其评分，导致部分观测样本。我们的目标是在最坏情况下，最小化聚合评分与所有潜在评分（可能未观测到）的平均值之间的期望平方损失。我们基于样本量（即评分者数量）是否已知，聚焦于两种设定。在第一种设定中，当样本量已知时，我们提出了一种名为平衡极端聚合器（Balanced Extremes Aggregator）的聚合器。它用极端评分的平衡组合来估计未揭示的评分。当样本量未知时，我们推导出另一种聚合器，即极化平均聚合器（Polarizing-Averaging Aggregator），随着样本量趋于无穷大，该聚合器变得最优。数值结果表明，与简单平均和谱方法相比，我们提出的聚合器在缓解参与偏差方面具有优越性。此外，我们在一个真实世界数据集上验证了聚合器的有效性。