随着移动互联网的飞速发展,网络中的信息量呈指数式增长,大量的商品、资讯、知识、视频、音乐等内容和资源可供用户选择,信息过载问题日益突出。而推荐系统是解决信息过载最有效的方式,因此,基于大数据的推荐系统已经成为了移动互联网的研究热点。
其实推荐系统在上世纪末就已经出现了,亚马逊在1998年就通过基于ITEM的协同过滤技术,为数百万客户提供商品选购建议。而学术界对于推荐系统的研究也一直在进行着。
虽然随着云计算、大数据、人工智能等新兴科技的发展,算力、数据和算法的提升,使推荐系统的性能越来越好,但针对推荐系统的评价体系则基本保持了稳定,只是各项指标的精度在不断提升。
了解推荐系统,可以从认识推荐系统的评价指标开始,主要包括以下十点:
1.用户满意度:
用户作为推荐系统的重要参与者,其满意度是评测推荐系统的最重要指标。有时,互联网企业会通过调查问卷的方式,或者是简单的满意或不满意的按钮,来获得用户的满意度反馈。但更多的时候,用户满意度是通过对用户某些行为的统计进行量化分析后计算出来的。比如在移动电商应用中,用户如果购买了推荐的商品,就表示他们在一定程度上满意系统的推荐结果,而购买转化率就可以用于度量用户的满意度。此外,点击率、分享率、收藏率、停留时间等指标,也都可能在度量用户满意度方面具备一定的权重。
-
预测准确度
预测准确度只是泛泛的名称,具体要看你希望预测什么内容,例如预测用户对系统推荐的电影的观后评分?或是预测系统推荐的歌曲列表中,用户最终选择了几首加入到了他的歌单?但总体来说,预测准确度是度量一个推荐系统或者推荐算法在预测用户行为的准确性方面最重要的指标。提高预测准确度通常依赖于算法和模型精度的提升