推荐系统简介

推荐系统评估

• 准确度

  1. 打分系统
     设rui$r_{ui}$ 为用户u$u$ 对物品i$i$ 的实际评分，r^ui${\hat{r}}_{ui}$ 为预测分，有如下误差判定标准：
     

     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推荐
     设R(u)$R(u)$ 为根据训练建立的模型在测试集上的推荐，T(u)$T(u)$ 为测试集上用户的选择
     

     PrecisionRecall=∑u∈U|R(u)∩T(u)|∑u∈U|R(u)|=∑u∈U|R(u)∩T(u)|∑u∈U|T(u)|(372)$$\begin{array}{}\text{(372)}& \begin{array}{rl}Precision& =\frac{\sum _{u\in U}|R(u)\cap T(u)|}{\sum _{u\in U}|R(u)|}\\ Recall& =\frac{\sum _{u\in U}|R(u)\cap T(u)|}{\sum _{u\in U}|T(u)|}\end{array}\end{array}$$

• 覆盖率
  表示对物品长尾的挖掘能力(针对平台商品而言)
  

  CoverageH=|Uu∈UR(u)||I|=−∑i=1np(i)logp(i)(373)$$\begin{array}{}\text{(373)}& \begin{array}{rl}Coverage& =\frac{|U_{u\in U}R(u)|}{|I|}\\ H& =-\sum _{i=1}^{n}p(i)\log p(i)\end{array}\end{array}$$

• 多样性
  推荐结果列表中物品的丰富性(两两之间的差异性，面向用户)，s(i,j)$s(i,j)$ 表示物品i$i$ 和j$j$ 之间的相似度，|R(u)|$|R(u)|$ 表示集合元素数量(表示推荐给该u$u$ 用户的所用商品)，多样性表示如下：
  

  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)$$\begin{array}{}\text{(374)}& \begin{array}{rl}Diversity(R(u))& =1-\frac{\sum _{i,j\in R(u),i\ne j}s(i,j)}{\frac{1}{2}|R(u)|(|R(u)|-1)}\\ Diversity& =\frac{1}{|U|}\sum _{u\in U}Diversity(R(u))\end{array}\end{array}$$

• 新颖度：商品给用户的新鲜感（推荐不知道的商品）

• 惊喜度：推荐和用户历史兴趣不相似却满意的

• 信任度：提供可靠的推荐理由

• 实时性：实时更新程度

推荐系统类型

基于内容

基于用户喜欢的物品的属性\内容推荐，需要分析内容，不用考虑用户与用户之间的关联，通常使用在文本相关的推荐

协同过滤

根据用户在物品上的行为找到物品或者用户的“近邻”，物以类聚，人以群分

• 基于用户的协同过滤

• 基于物品的协同过滤

冷启动问题

• 对于新用户
  推荐非常热门的商品，收集一些信息，在用户注册的时候收集一些信息

• 对于新商品
  根据本身的属性，求与原来商品的相似度

隐语义模型