为什么基于PR比基于Rating效果好？

什么是基于PR？

        PR是Preference Relation的缩写，翻译成中文就是”偏好关系“ ，那什么是“偏好关系”？，其实就是“喜欢哪一个更多一些”。

什么是基于Rating？

        基于Rating说白了就是基于评分，比方说1-10分打分制度，或者说1-5颗星打星制度，用户需要给某个item一个具体的数字，这样在item的评价表中全是数字，比如说3，5，7.2，1.8这些。

为什么基于PR比基于Rating效果好？

        比如说现在有A、B、C三个item，这三个item需要用户给出评分，但是评分的分值只能是0和1，也就是说喜欢就给1，不喜欢就给0，这种评分看似没啥问题（其实本身就没啥问题），但是你仔细一品的话，这种打分的粒度太大了。假如小明不喜欢C，所以给C打了0，这一步操作没问题，对于A和B，小明都不讨厌（注意这里说的是“不讨厌”），所以没法给它们打0，只能打1，但是对于A和B来说，虽然小明都不讨厌，但小明更喜欢A，不太喜欢B，但又没到讨厌B的地步，如果在0和1之间再多一个打分选择就好了，比如说C给0，B给0.5，A给1，这样就能很清楚地表达小明的偏好了。

         如果只有0和1两种选择，对于系统来说，由于小明给A和B都是打的1，所以系统就认为小明最喜欢A和B，而且认为A和B的喜欢程度是一样的，但是实际上它不一样啊，小明更喜欢A，不太喜欢B，如果推荐的话，肯定推荐A更好。但是0/1的打分方式区间太小了，粒度太粗了，用户除了0和1没有第三种选择，就没法展现这种“不太喜欢”的情况，这就是基于rating的弊端，其实如果打分区间粒度细一些，区间大一些就能很好缓解这个问题。

        如果使用基于PR的话，那就会变成这样：A>B（喜欢A多于B），A>C(喜欢A多于C)，B>C(喜欢B多于C)。这种表达方式没出现任何的评分数据，甚至一个数字都没有，但是系统却能够通过上面这些信息知道小明喜欢A和B，最不喜欢C，A和B相比，小明更喜欢A，不太喜欢B，这样在推荐的时候，就不推荐与C相似的item，少推荐或者说尽量不推荐和B相似的item，大力推荐和A相似的item，这才是理想的推荐结果，而基于Rating无法区分小明更喜欢A，就会把与A相似的以及与B相似的全都推荐给小明，这样好吗？这样不好！

        综上所述，基于PR能够更加清晰地描述用户的偏好，从而让推荐结果更加准确。但是基于PR就一定100%比基于Rating好吗？其实也不一定，就像我上面说的，如果基于Rating的打分区间再大一些，粒度再细一些，那么直接通过比较打分的大小也能够实现精准描述用户的偏好。

        另外还有个问题，目前市面上的数据集都是基于Rating的，没有基于PR的数据集，你如果想构造基于PR的模型，还得自己把Rating转化为PR。

        如果有错误的地方，欢迎大家指正，谢谢！