我试图在一个大型集合中确定物品对之间的相似性。这些物品有多个属性，我能够为每个属性计算出一个离散的相似性分数，分数在0到1之间。我根据属性使用不同的分类器：TF-IDF余弦相似性、朴素贝叶斯分类器等。
当需要将所有这些信息汇总成所有物品的最终相似性分数时，我遇到了困难。我不能简单地采用未加权的平均值，因为1）高分的标准取决于分类器，2）有些分类器比其他分类器更重要。此外，有些分类器应该只考虑它们的较高分数，即高分表明更高的相似性，但低分没有意义。
到目前为止，我都是通过猜测来计算最终分数的，但随着分类器数量的增加，这显然是一个非常糟糕的解决方案。有什么技术可以确定一个最佳公式，将我的各种分数整合并返回一个分数呢？需要注意的是，系统确实会接收到人类的反馈，这就是一些分类器最初的工作方式。
最终，我只对为每个物品排列最相似的物品感兴趣。绝对分数本身没有意义，只有它们的顺序才重要。
回答：
关于集成分类器的话题有一本很棒的书。这本书在线上可以找到：Combining Pattern Classifiers
这本书中有两章（第四章和第五章）是关于标签输出融合以及如何获得单一决策值的。
在这一章中定义了一套方法，包括：
1- 加权多数投票
2- 朴素贝叶斯组合
3- …
我希望这就是你所寻找的。
