推荐系统的功能:
1.增加物品销售的熟练
2.出售更多种类的物品(注意长尾效应)
3.增加用户满意度
4.增加用户忠诚度
5.更好的了解用户需求
推荐系统的运行过程可以看成一个回归问题或者分类问题,所以可以通过类似的分类/回归相关指标进行衡量,主要包括:
- 均方根误差(RMSE)
- 平均绝对误差(MAE)
- 准确率(precision)
- 召回率(recall)
- roc曲线(tpr/fpr)
协同过滤的主要思想是:利用已有的用户群过去的行为或者意见预测当前用户最可能喜欢哪些东西或者对哪些东西感兴趣。
主要应用场景是在线零售系统,目的是进行商品促销和提高销售额。
算法输入是一个用户-物品评分矩阵,输出的数据一般有两类:当前用户对物品喜欢和不喜欢程度的预测数值和n项的推荐物品的列表(不包括当前用户已经购买过的物品)
主要/最基础的实现方式有:基于用户的最近邻推荐/基于物品的最近邻推荐