评分情境中选项的最优数量

在许多场景中，人们必须从小的离散集合中对实体给出数值评分。例如，在约会网站上对外貌吸引力从1到5评分，或在会议评审中对论文从1到10评分。我们研究理解何时使用不同数量的选项为最优的问题。我们考虑评分为均匀随机与高斯的情形。我们通过计算研究在这些模型中从总共100个选项里使用2、3、4、5和10个选项何时最优（尽管我们的理论分析针对更一般的设定：从$n$个总选项中选$k$个，以及连续的底层空间）。人们可能预期在该模型中选用更多选项总能提升性能，但我们表明事实未必如此，且使用更少选项——甚至仅两个——在某些情形下竟可最优。虽然在理论上此设定中使用全部100个选项最优，实践中这不可行，且由于人类有限的计算资源，偏好使用较少选项。我们的结果可能有许多潜在应用，因为需要人类对实体排序的场景无处不在。也可能应用于其他领域，如信号或图像处理，其中来自大集合的输入值必须映射到更小集合的输出值。