今天为了挑选一个合适的地方去吃晚餐，上了大众点评网。结果没想到偶然间发现了一个其实可能大家都知道的秘密：商家可以通过某种手段消除对其不利的内容，也许这是点评的一个盈利方式吧。啥也不说，上图：
------------------------图片的无聊分割线---------------------------------
本来就觉得很奇怪，为什么有些店的评价是一堆的4、5星中间参杂着2、3星的评论，感觉就像是一有人给比较差的评价，就会有若干写手上来写东西外加评个4星半5星的评价。这个也就算了，毕竟还可以识别一下，没想到还有直接把这么差的评价给删掉的做法。其实百度不也有这种服务么，美其名曰公关服务，只不过从个人角度看这是一种丧失商业道德的做法。我没想到的是，点评网的道德在向百度靠拢。看来中国确实是一个没有什么道德可言的地方，或者说可以光明正大的出卖道德换取金钱的地方。这和出卖肉体不是在一个层次上吗？我认为不是的，应该是更下作。出卖肉体好歹还让人爽了一下（或者都爽了），可你这种行为是把你的爽建立在我的痛苦之上：我花了那么多时间在你的网站上逛，给你带来潜在的商业收益，你却在引导我去一个可能服务很糟糕，口味极差，甚至可能有食品安全问题的地方（这里面的例子是，肉没有烤熟）。而且，显而易见，你在引导我们去和你同样没有商业道德的地方——装傻不给券。
原本我还想写一个程序来抓某个店的评价，计算方差，来看看是否存在写手。现在看来光这么干是不够的，要抓整个网站，看看某个店是否存在删除差评的行为。
------------------------后来的分割线-------------------------------------
如何鉴别一个店的实际评价呢？我这里先把想法记上，有想法的请回复。
如果一个店的评分有假，那么作假方式目前看到的有两种：
1、找托去评分，往高了评，于是平均分就上去了。可是如果实际上不好，那么总会有人来给差评，那么结果就会导致标准差很高。举两个例子说明：如果总共有100个评价，50个4星，50个5星，那么数学期望值为4.5星，标准差为0.5；但是如果同样100个评价，平均分也是4.5，但是25个3星，75个5星，则标准差就变成了0.86了。后者即便没有托，你也很有可能会出现比前者糟糕的感受，或者直白的说，你有可能回来之后也给一个3星的评价，而不是4星。当然了，还有更糟糕的比如10个1星，90个5星，平均分还4.6呢，可是标准差却高达1.2。
解决方案1：做个爬虫，爬一下指定的店，很容易就可以得出这个结论了。
方案1对抗方案：通过大量的托来抹平标准差，比如说上面最后的一个4.6分例子，如果使用托的数量不是90个，而是990个，那么平均分为4.96，标准差却缩小到0.4。当然了，发起这种作弊还是很困难的，那是因为10个糟糕的评价可能并不算多，却要用大量的假评价来淹没实际数据。试想一个实际上不火的店，出现这么多评价，那也着实太假了。就算有不明真相的群众果然上当受骗了，那么引来的差评会更多。
解决方案2：还是一个爬虫，把每一个给出评价的人，爬他们所有的评价，计算标准差。一般正常的人，不可能每一个店都给出极高的评价，总有比较糟糕的印象。同时也不可能每一个都很糟糕，否则此人运气也太糟糕了。因此，标准差约低，说明是托的可能性越高。当然了，如果样本数量不高，那也很难说明是否真的就是托，但至少可以作为一个指标来衡量该用户的评价是否可信。比如一个非托用户，一共就只有1个5分的评价，你能确定他的这个5分到低含义是什么吗？也许只相当于我的3分。简单的做法是，以用户评价标准差D作为权重值，乘以该用户对该店的评分作为加权评分，接着对所有用户的加权评分求和，除以所有用户标准差之和。该计算结果是为加权平均分。如果加权平均分和非加权平均分相差较远，那么就需要值得注意了。如果想要更敏感一点，可以将标准插改为计算分数*100之后的方差。
方案2对抗方案：这个要对抗起来比较难，因为一个有效的托就变成需要有好评有差评才行。否则如果只有一大堆的好评，那么这个用户的标准差必定很低，甚至为0。与此同时，也不能通过大量生成托用户，每个托用户仅给出少量评价来逃避群众的法眼（我看到有一个神奇的用户，在某天的1个小时之内，连续发了10个评论，该用户总共的评价数量有百来页）。因为少量的评价只要不是由好评有差评，标准差还是会很低。要有效对抗，要么就是托用户也给差评，比如给一些名不见经传的小店差评（可能店主不关心甚至不知道，或者知道了也没有什么办法），要么就是走另一种途径，删除非托用户的评价，或者说剔出权重值高，但是分数低的评价。后一种对抗会比较麻烦。
解决方案3：还是爬虫，爬每一个给出评价的用户，评估该用户在其它店的评分情况。比如说，设该店评分数学期望值为E，该店评分数学期望值为d，该用户在该点的评分为x，计算y=[(x-E)/d]^2。y越大，表明该用户的在该店的评分越有价值。再计算y的数学期望值Y，在联合方案2的标准差值D，来作为更准确的权重值。比方说，用户权重值K=(Y+D^2)/2。又或者，可以用该方法来影响D的计算过程，即，统计的是用户对各点的y加权评分的标准差D'，以D'作为用户在该店评分的加权。
公式中需要除以d的原因是，我们需要计算的是某用户的评分，在该店评分标准差的什么位置。或者说，某用户在两个不同店的(x-E)值都是0.1，店A的标准差为1，店B的标准差为0.1，显然该用户在店B的评分更具有价值。
方案3对抗方案：这个更不好搞，因为所有托在各店的评分总是倾向于一致（无论是要搞香还是搞臭），换句话说，参与某特定店的托们，他们的分总是倾向一致的，并且要达到影响平均分的效果。而且根据前面最开始的例子，我们可以看到要达到良好的效果（淹没差评），需要大量的酱油好评，因此实际上数学期望值E会倾向托所给出的分数。因此，尽管托的Y值不可能会是零，但也肯定不会高。而真实用户评价则更有可能与某店评分的数学期望值E有较大差距，例如给某平均分4的店评了一个1分。对于托来说，大部分的评价都趋向于不真实，所以他们的y值得平均值Y会很低，即便偶尔或真实或为了对抗分析而胡乱给出的评价，也会被淹没。（托用假评把真评淹没，只要我们能找到鉴别假评的方法，他就很难在不淹没真评的情况下，不被我们发现。）此时，有效的对抗可能就只剩下剔除有效评价这一种办法了。
2、另一种作假的方式，就是剔除差评。当然了，也可以为了搞臭某店，也可以剔除好评。这种方式的危害极大，因为很难找到有效信息，或者方法很麻烦。
解决方案4：还是爬虫，但是要做出针对某店的评估可能会很难，除非爬出所有的数据并进行整理和分析。以上面的图作为例子，我们就可以看出来，其实这些信息并非彻底消失了，而是在某人的个人页面中。因此，如果我们爬了所有用户页面之后，就可以分析出有哪些店都删除了哪些差评。这些差评所给的分数，应该给一个比较高的系数，例如100。因为既然被删除，通常是因为这是一个真实情况，但是店家不想让你我知道，于是就删了。
方案4对抗方案：这个嘛，两种思路。要么彻底蒸发该消息，要么避免被爬。前者基本上是一个很不好的体验，因为这样用户必然会发现自己的评价会消失，也就不再信任该站点。后者嘛，相对比较好实现，例如在一段时间内如果访问数量超过多少，则出现“你是机器人吗”画面。不过这个嘛，效果真不好说，因为验证过程完全可以做成分布式的。还有另一种方法就是使用法律武器，不过这个也不见得好使，因为举证并不见得容易，过程也未必迅速。更重要是，通过法律途径等于将“占领道德制低点”这个目标公开化，未必对网站的前途有好处。
解决方案5：还是爬虫，对给出该店评价的用户进行分析（如方案2和3），通过计算有多少潜在的托来给出该店分数是否具有价值，或者计算该店的道德指数。这个方案虽然不是直接针对剔除差评的问题，但是通常这种店不会单独选择剔除差评这种作弊方式。因为剔的太多用户肯定会知道，所以还需要通过补充好评来达到目的。该方案的另一个缺点是，无法给出有效分数，只能给出另一个和“口感、环境、服务”等都没有关系的“可信度”指标，而且这个指标的实际含义还不是特别清晰。比如有可能会产生错误的结果。
方案5对抗方案：基本上无解，除了使用法律武器。不过方案5的威胁有可能也不是很大，因为本身的准确性和有效性就不一定可靠。
