推薦系統評估
準確度
打分系統
設rui 爲用戶u 對物品i 的實際評分,r^ui 爲預測分,有如下誤差判定標準:
RMSEMAE=∑u,i∈T(rui−r^ui)2|T|−−−−−−−−−−−−−−−√=∑u,i∈T|rui−r^ui||T|(371)
Top N推薦
設R(u) 爲根據訓練建立的模型在測試集上的推薦,T(u) 爲測試集上用戶的選擇
PrecisionRecall=∑u∈U|R(u)∩T(u)|∑u∈U|R(u)|=∑u∈U|R(u)∩T(u)|∑u∈U|T(u)|(372)
覆蓋率
表示對物品長尾的挖掘能力(針對平臺商品而言)
CoverageH=|Uu∈UR(u)||I|=−∑i=1np(i)logp(i)(373)
多樣性
推薦結果列表中物品的豐富性(兩兩之間的差異性,面向用戶),s(i,j) 表示物品i 和j 之間的相似度,|R(u)| 表示集合元素數量(表示推薦給該u 用戶的所用商品),多樣性表示如下:
Diversity(R(u))Diversity=1−∑i,j∈R(u),i≠js(i,j)12|R(u)|(|R(u)|−1)=1|U|∑u∈UDiversity(R(u))(374)
新穎度:商品給用戶的新鮮感(推薦不知道的商品)
驚喜度:推薦和用戶歷史興趣不相似卻滿意的
信任度:提供可靠的推薦理由
實時性:實時更新程度
推薦系統類型
基於內容
基於用戶喜歡的物品的屬性\內容推薦,需要分析內容,不用考慮用戶與用戶之間的關聯,通常使用在文本相關的推薦
協同過濾
根據用戶在物品上的行爲找到物品或者用戶的“近鄰”,物以類聚,人以羣分
冷啓動問題
隱語義模型