推荐系统简介

推荐系统评估

• 准确度

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

     $$\begin{equation}\begin{split} RMSE & =\sqrt {{{\sum_{u,i\in T}( r_{ui}-\hat r_{ui})^2}\over{|T|}}}\nonumber\\ MAE & ={{\sum_{u,i\in T}|r_{ui}-\hat r_{ui}|}\over{|T|}}\nonumber \end{split}\end{equation}$$

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

     $$\begin{equation}\begin{split} Precision &= {{\sum_{u\in U}|R(u)\cap T(u)|}\over{\sum_{u\in U}|R(u)|}}\nonumber\\ Recall &= {{\sum_{u\in U}|R(u)\cap T(u)|}\over{\sum_{u\in U}|T(u)|}}\nonumber \end{split}\end{equation}$$

• 覆盖率
  表示对物品长尾的挖掘能力(针对平台商品而言)
  

  $$\begin{equation}\begin{split} Coverage &= {{|U_{u\in U}R(u)|}\over{|I|}}\\ H &= -\sum_{i=1}^np(i)\log p(i) \end{split}\end{equation}$$

• 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)，$s(i,j)$表示物品$i$和$j$之间的相似度，$|R(u)|$表示集合元素数量(表示推荐给该$u$用户的所用商品)，多样性表示如下：
  

  $$\begin{equation}\begin{split} Diversity(R(u)) &= 1-{{\sum_{i,j\in R(u),i\neq j}s(i,j)}\over{{1\over 2}|R(u)|(|R(u)|-1)}}\\ Diversity &= {1\over |U|}\sum_{u\in U}Diversity(R(u)) \end{split}\end{equation}$$

• 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