命中率:从每名用户数据中删除一个数据,模型训练后为验证模型每名用户生成的头部(N)推荐中是否包含被删除的数据。
商品覆盖率:可推荐商品数/所有商品数。
多样性:推荐给用户商品列表当中的异质性。
惊喜度:惊奇度·相关性(sere=superise·re(i)(user))。
superise=max(pi(user-pi(alluser),0)
superise:把某个商品(i)推荐给某个用户的概率与推荐给所有用户的概率之差。
P=n-ranb/n-1 (n:所有商品;rank:推荐的排名)
实施性:对用户进行快捷的计算与运行。
显示反馈缺点,一,数据稀少,
二,数据两极分化严重,
三,用户个性影响评分,
四,脱离语境显示,
推荐系统核心要素
一,用户
二,物品和内容,
三,更新时间,
四事件
五,注册时间,最后上线时间,用户名ID。分享次数,显示反馈,隐式反馈