推薦系統簡介

推薦系統評估

• 準確度

  1. 打分系統
     設rui$r_{ui}$ 爲用戶u$u$ 對物品i$i$ 的實際評分，r^ui${\hat{r}}_{ui}$ 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)$$\begin{array}{}\text{(371)}& \begin{array}{rl}RMSE& =\sqrt{\frac{\sum _{u,i\in T}(r_{ui}-{\hat{r}}_{ui}{)}^2}{|T|}}\\ MAE& =\frac{\sum _{u,i\in T}|r_{ui}-{\hat{r}}_{ui}|}{|T|}\end{array}\end{array}$$

  2. Top N推薦
     設R(u)$R(u)$ 爲根據訓練建立的模型在測試集上的推薦，T(u)$T(u)$ 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)$$\begin{array}{}\text{(372)}& \begin{array}{rl}Precision& =\frac{\sum _{u\in U}|R(u)\cap T(u)|}{\sum _{u\in U}|R(u)|}\\ Recall& =\frac{\sum _{u\in U}|R(u)\cap T(u)|}{\sum _{u\in U}|T(u)|}\end{array}\end{array}$$

• 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)$$\begin{array}{}\text{(373)}& \begin{array}{rl}Coverage& =\frac{|U_{u\in U}R(u)|}{|I|}\\ H& =-\sum _{i=1}^{n}p(i)\log p(i)\end{array}\end{array}$$

• 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)$s(i,j)$ 表示物品i$i$ 和j$j$ 之間的相似度，|R(u)|$|R(u)|$ 表示集合元素數量(表示推薦給該u$u$ 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)$$\begin{array}{}\text{(374)}& \begin{array}{rl}Diversity(R(u))& =1-\frac{\sum _{i,j\in R(u),i\ne j}s(i,j)}{\frac{1}{2}|R(u)|(|R(u)|-1)}\\ Diversity& =\frac{1}{|U|}\sum _{u\in U}Diversity(R(u))\end{array}\end{array}$$

• 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

• 基於用戶的協同過濾

• 基於物品的協同過濾

冷啓動問題

• 對於新用戶
  推薦非常熱門的商品，收集一些信息，在用戶註冊的時候收集一些信息

• 對於新商品
  根據本身的屬性，求與原來商品的相似度

隱語義模型