推荐系统实践（一）好的推荐系统

一、思维导图

二、评测指标解释

1、用户满意度

通过用户调查，用户停留时间或者转化率等指标衡量，没有具体公式。

2、预测准确度

评分预测

• 均方根误差RMSE

• 平均绝对误差MSE

RMSE加大了对预测不准的用户物品评分的惩罚。

TopN推荐

R(u)是根据用户在训练集上的行为给用户做出的推荐列表，T(u)是用户在测试集上的行为列表。？？？不太理解。

• 召回率Recall

• 准确率Precision

覆盖率

• 简单粗暴

• 根据流行度的分布应该均匀 - 信息熵（覆盖率越高，信息熵越大），p代表流行度。

• 根据流行度的分布应该均匀 - 基尼系数（覆盖率越高，基尼系数越小），p代表流行度。

多样性

多样性描述了列表中两两不相似性，s(i,j)为i和j物品相似性。

• 推荐列表R(u)多样性

• 推荐系统整体多样性

新颖性

推荐给用户没有听说过的物品。

• 平均流行度

惊喜度

• 新颖+用户满意
• 目前只有定性的评价

信任度

• 目前只能通过问卷调查
• 增加信任：1. 提高推荐系统透明度 2.利用社交网络推荐

实时性

• 实时更新满足用户行为变化
• 能够将新加入的物品推荐给用户

商业目标

• 商业目标是否达成