简介
- What
a . 用户：推荐系统是一种帮助用户快速发现有用信息的工具
b . 公司：推荐系统是一种增加公司产品与用户接触,购买等行为概率的工具 - Why
用户：在用户需求并不十分明确的情况下进行信息的过滤,与搜索系统相比,推荐系统更多的利用用户的各类历史信息猜测其可能喜欢的内容
公司：解决产品能够最大限度地吸引用户,留存用户,增长用户黏性,提高用户转化率,从而达到公司商目标连续增长的目的.本质上是一种实现将用户-商品-公司之间利益最大化的手段. - Who
从上面的1和2可以看出用户与公司是需要推荐系统的主要对象，那么可以在1和2的基础上展开想想什么样子的人需要推荐系统，以及什么样的公司需要推荐系统。
实际上推荐系统是一种辅助各类交互平台上"顾客"与"商家"进行信息有效交换的系统,一方面他要帮助顾客找到自己想要的和需要的产品,另一方面他也要帮商家找到合适的销路与受众,其核心作用就是将有效的信息迅速提供给需要的双方,加快交易的达成.
常用评价指标
- 实际反馈--用户满意度
用户是推荐系统中非常重要的参与者,他们的满意度也直接决定了推荐系统的好坏.但是用户满意度这个指标无法离线
计算,只能通过用户调查或者在线实验获得.这里在线实验一般是通过用户的线上行为统计得到的- 顾客用户的反馈:顾客对所推荐内容的评价,对推荐内容的点击率,顾客停留时间和转化率等.
- 商家用户的反馈:商家的销量,商家的盈利情况,商家是否愿意付费使用等
- 量化指标--预测准确度
预测准确度是用来度量用户的实际行为与推荐系统预测结果的准确度,该指标是最重要的离线评价指标,因为可以通过
离线计算得到.下面是预测准确度最常用的两个指标.- 评分预测:
预测用户对物品的评分行为成为评分预测,评分预测模型通过对用户的历史物品评分记录进行建模,进而得到用户
的兴趣模型,然后使用该模型预测用户未未见过商品的评分.评分预测的预测准确度一般通过均方根误差(RMSE)和
平均绝对误差(MAE)计算.对于测试集中的一个用户 和物品 ,令 是用户 对物品 的实际评分,而 是
推荐模型预测出的评分,那么RMSE可以定义为:
MAE定义为:
RMSE由于存在平方项，使得使得用户真实评分与推荐系统预测评分相差较大的用户加大了惩罚，即该评测指标
对系统要求更加的苛刻 - TopN推荐:
推荐系统在给用户推荐物品的时候,往往会给用户一个列表的推荐物品,这种场景下的推荐成为是TopN推荐,该推荐
方式最常用的预测准确率指标一般是精确率(precision)和召回率(recall),令 为通过推荐模型得到的推荐列表,
为用户在实际场景中(测试集)的行为列表.
a . 精确率(precision): 分类正确的正样本个数占分类器判定为正样本的样本个数比例(这里 相当于是模型判
定的正样本)
b . 召回率(recall): 分类正确的正样本个数占真正的正样本个数的比例(这里的 相当于真正的正样本集合)
有时候为了更加全面的评估TopN推荐,通常会选取不同的推荐列表长度计算多组精确率与召回率然后分别绘制出
精确率曲线和召回率曲线,需要注意的是这里并不是PR曲线,感兴趣的可以了解一下PR曲线相关的知识.
- 评分预测: