一、过滤规则:
①用户已经购买的物品;
②不适合公开展示的商品;
③用户评分过低的商品;
④同型号商品利润高。
二、命中率:从每名用户数据中删除一个数据,模型训练后为验证模型每名用户生成的头部(N)推荐中是否包含被删除的数据。
三、商品覆盖率:可推荐商品数/所有商品数。
四、多样性:推荐给用户商品列表当中的异质性。
惊喜度:惊奇度·相关性(sere=superise·re(i)(user))。
superise=max(pi(user-pi(alluser),0)
superise:把某个商品(i)推荐给某个用户的概率与推荐给所有用户的概率之差。
P=n-ranb/n-1 (n:所有商品;rank:推荐的排名)
实施性:对用户进行快捷的计算与运行。