推荐系统评价指标

  一个好的推荐系统可以让用户快速获得满意的产品推荐，同时也能让推荐平台更容易获得用户资源，以下是几种常用的推荐系统评价：

1、评分预测

  这种情况的前提是系统可以得到用户的历史评分数据，比如很多网站都有提供打分功能，然后系统根据已有的数据建立一个模型从而预测用户没有买过的物品的评分，如果这个评分较高的话，就意味着可以推荐商品。基于此，如果我们知道此前真实的评分数据，就可以通过比较预测值和真实值来衡量推荐效果。评价的方式有如下两种：

均方根误差(RMSE)

  均方根误差(RMSE)：RMSE 通过对所有的真实评分和预测评分取差值的思想来衡量推荐的准确度。
计算公式

  其中 u表示用户，i表示物品，Rui表示用户对物品的真实评分，**Rui^**则表示预测评分，N表示评分总量。

平均绝对误差(MAE)

  平均绝对误差(MAE)：MAE 与 RMSE 的思想是相同的，但是采用的方式不同，MAE 在取得差之后使用绝对值来处理。
计算公式

  其中 u表示用户，i表示物品，Rui表示用户对物品的真实评分，**Rui^**则表示预测评分，N表示评分总量。

2、Top-N推荐

  一般情况下网站在给用户提供推荐时，往往会展示出个性化的推荐列表，也就是Top-N推荐。列表中为用户推荐N个用户最可能感兴趣的商品。通常使用准确率(precision)、召回率(recall)和F-Measure值作为评测指标。

准确率(Precision)

  准确率表示推荐成功的商品占全部推荐商品的比率。准确率的定义如下：

  其中，u表示用户，U表示用户集合，**P(u)**表示所有被推荐的商品内容，**T(u)**表示测试集中的商品内容。

召回率(Recall)

  召回率表示推荐成功的商品占所有应该推荐商品的比率。召回率的定义如下：

F-Measure

  一般情况下准确率和召回率不是同时增大或减小的，为了平衡两个指标，我们使用Precision和Recall两者的调和平均数即F-Measure值来对两者进行评判。F-Measure的定义如下：