1.1.推荐系统不需要用户提供明确的需求,而是通过分析用户的历史行为给用户的兴趣建模,从而主动给用户推荐能够满足他们兴趣和需求的信息。
1.2推荐方式:(1)社会化推荐 (2)基于内容的推荐 (3)基于协同过滤
1.3推荐系统的应用:(1)电子商务
个性化推荐列表 | 基于物品的推荐算法,给用户推荐那些和他们之前喜欢的物品相似的物品 |
相关推荐列表 |
(2)电影和视频网站 ---基于物品的推荐算法
(3)个性化音乐网络电台
(4)社交网络
(5)个性化阅读
(6)基于位置的服务
(7)个性化邮件
(8)个性化广告
1.4推荐系统评测
预测准确度是推荐系统领域的重要指标
1.4.1 推荐系统实验方法
(1)离线实验(offline experiment)
(2)用户调查(user study)
(3)在线实验(online experiment)---AB测试:通过一定的规则将用户随机分成几组,并对不同的用户采用不同的算法,然后通过统计不同组用户的各种不同的评测指标比较不同算法(切分流量是AB测试的关键)
1.4.2 评测指标
(1)用户满意度---点击率、用户停留时间、转化率等
(2)预测准确度
评分预测 | 均方根误差(RMSE)和平均绝对误差(MAE) |
TopN推荐 | 准确率(precision)/召回率(recall) |
(3)覆盖率:信息熵、基尼系数
推荐系统的初衷是希望消除马太效应,而评测推荐系统是否具有马太效应的简单方法就是使用基尼系数
(4)多样性
(5)新颖性
(6)惊喜度
(7)信任度
(8)实时性
(9)健壮性