命中率，覆盖率等

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