本文介绍了推荐系统测评的重要性，主要包括测评指标和维度。测评指标涵盖用户满意度、准确度、覆盖率、多样性、新颖性、惊喜度、信任度、实时性和健壮性；而测评维度涉及用户、物品和时间三个层面。理解这些指标和维度有助于评估推荐系统的性能并指导优化。
前面讲解了这么多推荐系统的算法，但是一个推荐系统做出来之后，我们并不知道其效果怎么样，这种时候，就需要对推荐系统进行测评，来告诉我们这个推荐的性能和效果怎么样。测评一般包括测评指标和测评维度。
测评指标
评测指标可用于评价推荐系统各方面的性能，这些指标有些可以定量计算，有些只能定性描述，有些可以通过离线实验计算，有些需要通过用户调查获得，还有些只能在线评测。一般情况下使用如下：
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。但是，用户满意度没有办法离线计算，只能通过用户调查或者在线实验获得。
2. 准确度
预测准确度度量一个推荐系统或者推荐算法预测用户行为的能力。这个指标是最重要的推荐系统离线评测指标。由于离线的推荐算法有不同的研究方向，因此下面将针对不同的研究方向介绍它们的预测准确度指标。
- 评分预测
评分预测的预测准确度一般通过均方根误差（ R M S E RMSE RMSE）和平均绝对误差（ M A E MAE MAE）计算。对于测试集中的一个用户 u u u 和物品 i i i，令 r u i r_{ui} rui 是用户 u u u 对物品 i i i 的实际评分，而 r u i ^ \widehat {
{r_{ui}}} rui
是推荐算法给出的预测评分，那么 R M S E RMSE RMSE 的定义为：
R M S E = ∑ u , i ∈ T ( r u i − r u i ^ ) 2 ∣ T ∣ RMSE = \frac{
{\sqrt {\sum\nolimits_{u,i\in T} {
{
{({r_{ui}} - \widehat {
{r_{ui}}})}^2}} } }}{
{|T|}} RMSE=∣T∣∑u,i∈T
最低0.47元/天 解锁文章
3116
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
