本文探讨了推荐系统中显性反馈和隐性反馈数据的分类，介绍了显性反馈数据的模型评价方法，如精确率、召回率和F1-Measure，并简述了隐性反馈数据的特点及其在评价中的挑战。
目录
1. 数据分类-显性反馈和隐性反馈
在训练分类/推荐模型时使用的数据可以分为两种，显性和隐性反馈数据。
显性反馈数据：用户明确喜欢和不喜欢的物品（或明确有类别的数据）
隐形反馈数据：用户浏览过的物品，但并未明确表示喜欢或厌恶。这种类型数据只能认为全部是正反馈也即喜欢的物品。
举个栗子：
用户在爱奇艺给某个电影评分为10分，那显然用户是喜爱这部电影的。
用户这段时间看了10部电影，但是没有评分，我们不知道他到底喜不喜欢，但可以作为一个参考数据。
显性数据确实能给我们极大的便利，但是很多情况下是没有或缺少显性数据的。而隐形反馈数据很容易获取，所以介绍这两种数据训练出模型的评价方法。
2. 显性反馈数据模型评价方法
| 模型判定推荐的 |
模型判定不被推荐的 |
|
|---|---|---|
| 测试集中应当被推荐的 |
最低0.47元/天 解锁文章
扫一扫
753
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
