推荐系统中经常会遇到一个问题-特定用户的品味跟大众品味的相似程度（众口味程度），比如说要预测movielens（如下图所示）中用户给电影的打分情况（满分5颗星，也可以选择半颗星），我们就可以通过计算用户评分偏离平均评分1.5颗星所占比率（computed the proportion p of their ratings that deviated by 1.5 units from the movie’s average rating）去衡量用户的众口味程度。
比率越靠近0说明这个用户的口味跟大众口味就越相似，越靠近1说明这个用户跟大众口味越不同。
p:众口味程度
假设我们定义：如果0 ≤ p < 0.3 的用户就是跟大众口味比较相似的用户，而0.3 ≤ p的用户就是跟大众口味不相似的用户。
实验结果如下图所示：
在这里我们只需要关心红色那条曲线
可以发现MovieLens推荐系统对0 ≤ p < 0.3的用户的预测效果要优于0.3 ≤ p的用户。
上述实验表明：我们在设计推荐系统，应该考虑将用户分类进行预测，比如说可以根据用户的众口味程度进行聚类，然后在各个聚类上设计不同的个性化预测。
PS：详细说明可以看看这篇论文：Who predicts Better? – Results from an Online Study Comparing Humans and an Online Recommender System
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
