如何分训练集和测试集，如何算召回率和准确率？

如《推荐系统》(蒋凡译)第117页所给例子，用户ID为234的用户，所有他参与过平分的评分记录有10条，其中选第5,8两行作为测试集，其他8行作为训练集。(a表示随机选取的测试集)

step1：通过所有用户的历史评分数据，训练模型，此处暂且用基于用户的推荐作为模型。预测评分的大概过程，就是先算用户234和其他用户的相似性，再通过其他用户和用户234的相似性和其他用户对用户234未参与过评分的item的评分，来预测用户234对未参与过评分的item的评分。而在求相似性的时候，要用到每个用户的评分向量，此时用户234的评分向量中，只包含训练集中的评分记录。

step2：对用户234，对未参与过评分的item进行预测评分，注意，此时测试集中的item被认为是未参与评分的。假设得到评分元祖如下：

{(912,4.8),(47,4.5),(263,4.4),(539,4.1),(348,4),...(719,3.8)}。

step3：算MAE，召回率和准确率，原文如下：尽管在用户测试集中只有一个物品被推荐在前五名，但是基于MAE的评估结果仍然表现不错，因为平均下来绝对误差是0.65。如果评估只考虑排名前三的物品，那么准确率和召回率都会是0，如果推荐集合改为包括排名最高的5个物品，则P=1/5,R=1/2