ret_lists.extend([
{
'rc': x[0], 'score': x[1], 'n_ele': len(x[0]), 'layer': cuboid_layer,
'rank': x[1] * self.option.score_weight - len(x[0]) * cuboid_layer
} for x in layer_ret_lists
])
rank的计算，若score_weight值不大，随着layer的增加或者根因partition组合的增多，rank值会成倍的下降，这样会冲掉score分数。这样会导致：rank排在第一，但是score分数相当的小。我试用了其他数据跑，已验证该情况。怎样处理这种现象？
ret_lists.extend([
{
'rc': x[0], 'score': x[1], 'n_ele': len(x[0]), 'layer': cuboid_layer,
'rank': x[1] * self.option.score_weight - len(x[0]) * cuboid_layer
} for x in layer_ret_lists
])
rank的计算，若score_weight值不大，随着layer的增加或者根因partition组合的增多，rank值会成倍的下降，这样会冲掉score分数。这样会导致：rank排在第一，但是score分数相当的小。我试用了其他数据跑，已验证该情况。怎样处理这种现象？