推荐系统实践_项亮（8）评分预测问题

目录

8.1 离线实验方法

8.2 评分预测方法

总结

---

 

TOPN和评分预测问题

8.1 离线实验方法

优化RMSE

 

8.2 评分预测方法

8.2.1 平均值

全局平均值、用户评分平均值、物品评分平均值、用户分类对物品分类的平均值

（q：全局平均值、用户分类对物品分类的平均值在q的应用中最多）

8.2.2 基于领域的方法

基于用户的领域算法：预测一个用户对物品的评分，需要用到其他用户对该物品的评分

基于物品的领域算法：预测一个用户对物品的评分，需要用到该用户对相似物品的评分

 

8.2.3 隐语义模型与矩阵分解模型

8.2.4 加入时间信息

8.2.5 模型集联

 

总结

(1) 确定你真的需要推荐系统。

推荐系统只有在用户遇到信息过载时才必要。如果你的网站 物品不太多，或者用户兴趣都比较单一，那么也许并不需要推荐系统。所以不要纠结于推荐系统 这个词，不要为了做推荐系统而做推荐系统，而是应该从用户的角度出发，设计出能够真正帮助用户发现内容的系统，无论这个系统算法是否复杂，只要能够真正帮助用户，就是一个好的系统。

(2) 确定商业目标和用户满意度之间的关系。

对用户好的推荐系统不代表商业上有用的推荐系统，因此要首先确定用户满意的推荐系统和商业上需求的差距。一般来说，有些时候用户满意和商业需求并不吻合。但是一般情况下，用户满意度总是符合企业的长期利益，因此这一条的主要观点是要平衡企业的长期利益和短期利益之间的关系。

(3) 选择合适的开发人员。

一般来说，如果是一家大公司，应该雇用自己的开发人员来专门 进行推荐系统的开发。

(4) 忘记冷启动的问题。

不断地创新，互联网上有任何你想要的数据。只要用户喜欢你的产品，他们就会不断贡献新的数据。

(5) 平衡数据和算法之间的关系。

使用正确的用户数据对推荐系统至关重要。对用户行为数据的深刻理解是设计好推荐系统的必要条件，因此分析数据是设计系统中最重要的部分。数据分 析决定了如何设计模型，而算法只是决定了最终如何优化模型。

(6) 找到相关的物品很容易，但是何时以何种方式将它们展现给用户是很困难的。不要为了推荐而推荐。