防止水军刷榜，就要观察水军的特征，其实不难发现，水军都是新注册帐号且只有一个评价或者两个评价，所以在贝叶斯平均的公式中把R换成用户加权平均，就是之前评分评得越多的用户说话越有分量，说话越少的用户意见越没有参考价值~
这个对于水军有效，但是对于脑残粉是无效的，那么对于脑残粉，老师在“看了又看”那篇博客中说物品中心化可以实现，但是这个是针对于计算关系矩阵的。

（以下我个人的想法，轻喷），其实正常没有脑残粉的评分，都是符合某些特定的分布，这个是可以人工专家engineer出来的，只要评分足够多，那么基本上都是会符合这些特定分布的。所以我们可以使用Wasserstein metric或者KL-divergence，从用户评分得出一个分布和我们专家得出来的分布进行比对，两个分布差距越大就说明这个评分越不正常。（就比如现实中评分3分左右的电影的分布很有可能就像高斯分布一样，那么有一个平均分为3分的电影，5分评分人超级多，1分的也超级多，明显就不正常，脑残粉刷5分，吃瓜群众1分给烂片这样，两个分布的“距离”就会很大。）。把这个“距离”也加到最终评分里面去作为权重就好了！