推荐系统之矩阵分解模型注（四）

终于到了本系列注解文章的最后一个内容，之前若有没有考虑到的内容也会在后期逐步更新，更新内容将会插在前几次和本次的文章中，

科普篇 | 推荐系统之矩阵分解模型

原理篇 | 推荐系统之矩阵分解模型

实践篇 | 推荐系统之矩阵分解模型

---

1 召回与精排

1.1 召回

一般情况下，推荐系统会推荐给用户有限个数的商品（或项目），而其中真正是用户喜欢的我们称之为相关物品。假设我们向用户推荐了10个商品，用户喜欢其中的5个，而用户真正喜欢的物品有20个，所以召回率就是5/20。

此时推荐精度为5/10。

召回算法有许多种，但是都有一个召回依据，也就是根据什么来判定用户喜欢与否。现在最常用的方法是点击召回，用户点击响应事件，系统得知事件并记录，算一次召回。

1.2 混淆矩阵(confusion matrix)

混淆矩阵是一个表，里面存放了各种预测和观察到的结果，通过对这个表进行分析，我们可以得出一些推荐的结果，从而在此基础上优化推荐模型。

什么是混淆矩阵

1.3 精排

文章中说推荐系统分为召回层和精排层，之前已经说了召回的含义，现在简单说一下精排。所谓精排，就是使用户尽可能在一个页面中点击全部的推荐，而不是需要用户不断翻页去寻找自己希望的商品。再简单点说，就是将尽可能大范围但是高精度的推荐商品放在用户最容易查询的地方。

我是如何把「SEO」这词排名到百度首页的

2. 超参数

我们需要知道在人工智能的训练过程中，数据是最重要的部分。好的数据可以让机器学习更快、更准；差的数据可能会让机器毫无头绪。超参数是在学习之前设置的参数，它并不是专门用于训练机器的，而是进行规则的制定。

比如神经网络要分层，层数就是超参数，它决定了神经网络精确化的程度，但是不对训练数据做要求。而矩阵分解算法中的超参数可以指矩阵的潜在因素数量，比如时间等。

 

---

人工智能是一个太大的分类，其中的推荐系统不可胜数。矩阵分解模型是推荐的一种方法，配合上其他模型可以智能化推荐物品。但是人工智能方向学习的门槛比较高，像我这种CS专业的人在概率论、线性代数上并不强势，也因此造成了一定的学习难度。写这个系列的文章原因有两个，一个是帮助我这种萌新以比较简单的方式入门人工智能领域，再一个是强迫自己向更高的维度学习，不能总是停留在舒适区，会害了自己。计算机相关科学发展迅猛，只有不断学习才能跟上时代。

吹牛容易学习不易啊！