推荐系统笔记（杂）

1、评价指标：精确率召回率一般用来评价推荐结果准不准确

准确率：所有预测正确的占总的数量的比重（正负）

精确率：所有预测为正的样本中，实际为正的概率    TP / (TP + FP)

召回率：实际为正的样本中，被预测为正的概率    TP / (TP + FN)

TP：预测为1，实际为1

FP：预测为1，实际为0

FN：预测为0，实际为1

TN：预测为0，实际为0

2、观点挖掘结果评价：

F1分数（F1 Score）：是统计学中用来衡量二分类模型精确度的一种指标。它同时兼顾了分类模型的精确率和召回率。

F1分数可以看作是模型精确率和召回率的一种加权平均，它的最大值是1，最小值是0。

此外还有F2分数和F0.5分数。

F1分数认为召回率和精确率同等重要

F2分数认为召回率的重要程度是精确率的2倍

而F0.5分数认为召回率的重要程度是精确率的一半

3、预测结果评价：RMSE、MAE

4、一些模型

Stanford POS Tagger：词性标注

word2vec模型：产生词向量

5、冷启动对不同目标对象的理解

用户角度：新用户的加入，导致无法区分用户特征；新用户未给任何项目评分，导致缺乏用户喜好信息

项目角度：新产品缺少用户评分

6、数据稀疏

已获得用户评价打标签或的项目数量远远小于未获得的项目数量。基于标签的推荐系统中，数据稀疏的问题更为严重

7、协同过滤分类

基于内容：用户相似性度量，易于更新，易于更新新的评分和项目。数据稀疏时基于内存的方法性能降低，不具有可扩展性 

基于模型