推荐算法

简介

推荐系统应用都是由前台的展示页面、后台的日志系统以及推荐算法系统3部分构成的

基于用户行为推荐算法，用户推荐好友，基于位置的服务
打包销售

以从用户的历史行为中习得用户的兴趣模型

1、推荐系统实验方法

在推荐系统中，主要有3种评测推荐效果的实验方法，即离线实验（offline experiment）、用户调查（user study）和在线实验（online experiment）。

2、评测指标

1）用户满意度
2）预测准确度（对应离线算法）

• 评分预测
  
  
• TopN推荐
  

3）覆盖率

如果所有的物品都出现在推荐列表中，且出现的次数差不多，那么推荐系统发掘长尾的能力就很好。

4）多样性
5）新颖性
6）惊喜度
7）信任度
8）实时性
9）健壮性

协同过滤算法

基于用户行为分析的推荐算法是个性化推荐系统的重要算法，学术界一般将这种类型的算法称为协同过滤算法。

用户行为数据简介

用户行为数据在网站上最简单的存在形式就是日志。

会话日志通常存储在分布式数据仓库中，如支持离线分析的 Hadoop Hive和
支持在线分析的Google Dremel。这些日志记录了用户的各种行为，如在电子商务网站中这些行为主要包括网页浏览、购买、点击、评分和评论等。

显性反馈行为（explicit feedback）和隐性反馈行为（implicit feedback）。