推荐系统简介

本文详细介绍了推荐系统的评估方法,包括准确度指标如RMSE和MAE,Top-N推荐的精度和召回率,以及衡量系统覆盖率、多样性和新颖度等重要维度。同时探讨了推荐系统的主要类型和技术挑战。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

推荐系统评估

  • 准确度

    1. 打分系统
      ruirui为用户uu对物品i的实际评分,r^uir^ui为预测分,有如下误差判定标准:

      RMSEMAE=u,iT(ruir^ui)2|T|=u,iT|ruir^ui||T|(371)(371)RMSE=∑u,i∈T(rui−r^ui)2|T|MAE=∑u,i∈T|rui−r^ui||T|
    2. Top N推荐
      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=uU|R(u)T(u)|uU|R(u)|=uU|R(u)T(u)|uU|T(u)|(372)(372)Precision=∑u∈U|R(u)∩T(u)|∑u∈U|R(u)|Recall=∑u∈U|R(u)∩T(u)|∑u∈U|T(u)|
  • 覆盖率
    表示对物品长尾的挖掘能力(针对平台商品而言)

    CoverageH=|UuUR(u)||I|=i=1np(i)logp(i)(373)(373)Coverage=|Uu∈UR(u)||I|H=−∑i=1np(i)log⁡p(i)
  • 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iij之间的相似度,|R(u)||R(u)|表示集合元素数量(表示推荐给该uu用户的所用商品),多样性表示如下:

    (374)Diversity(R(u))=1i,jR(u),ijs(i,j)12|R(u)|(|R(u)|1)Diversity=1|U|uUDiversity(R(u))

  • 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
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值