推薦系統學習之評測指標
阿新 • • 發佈：2017-05-15
又能 根據 ima 商品 .net 一般來說 解釋 image 推薦系統
RMSE（均方根偏差）和MAE（平均絕對偏差）
（2）TopN預測：類似熱門推薦，推薦N個商品給用戶。評價這個指標的方法，一般也為兩種：
準確率，既根據用戶歷史行為推薦的商品N與用戶實際喜歡的商品M的交集A，與N的比值，A/N
召回率，既根據用戶歷史行為推薦的商品與與用戶實際喜歡的商品M的交集A，與M的比值，A/M
3、覆蓋率
普遍假設網站商品都呈長尾分布，既熱門的商品總是少數，而且其他商品的熱門程度呈曲線下降，存在很多冷門商品。而評價推薦系統的覆蓋率即是看系統為所有用戶推 薦的全部商品數量，與網站中所有商品數量的差值。當然一般用以下兩個指標來評價：
（1）信息熵：又稱香農熵，指代信息量的多少，一般來說，覆蓋率越高的推薦系統，信息熵越大。
（2）基尼系數：一個經濟學系數，在這裏指代推薦系統中，熱門物品與冷門物品的比值，一般來說，覆蓋率越高的推薦系統，基尼系數越接近0
4、多樣性
推薦系統給出推薦列表中的商品，兩兩之間的不相似性。
5、新穎性
推薦給用戶的商品是用戶從來沒有聽說過的物品。
6、驚喜度
與用戶歷史興趣不相符，但又能讓用戶滿意的商品。
7、信任度
這裏一般用添加推薦解釋來達成
8、實時性
（1）實時根據用戶的新行為來推薦物品，如用戶購買手機，同時給用戶推薦手機殼
（2）推薦新加入系統的商品
9、健壯性
模擬攻擊之後，用戶的推薦列表的改變
轉自 http://blog.csdn.net/sinat_33741547/article/details/52704986
最近開始學習推薦系統，特記錄一下學習過程並做個分享。
推薦系統是什麽不用多說，這裏先介紹一下推薦系統的各種評測指標。
1、用戶滿意度
這個指標應該是最能體現一個推薦系統好壞的指標，但獲取只能通過用戶在線的反饋，類似用戶問卷調查，或者用戶對推薦物品的行為，比如購買、收藏、評分等判別。
2、預測準確度
在離線預測用戶行為的評價上，這個指標相當重要。在統計學習中，也就是根據訓練數據集學習得到的系統對測試數據集的預測準確度，既泛化能力。
推薦系統在這主要分為兩個方面，評分預測與TopN預測。
（1）評分預測：類似豆瓣電影的評分，預測用戶對推薦的某一物品的評分從而達到選擇最優推薦的目的。而評價評分預測準確度的方法，一般有兩種：
RMSE（均方根偏差）和MAE（平均絕對偏差）
（2）TopN預測：類似熱門推薦，推薦N個商品給用戶。評價這個指標的方法，一般也為兩種：
準確率，既根據用戶歷史行為推薦的商品N與用戶實際喜歡的商品M的交集A，與N的比值，A/N
召回率，既根據用戶歷史行為推薦的商品與與用戶實際喜歡的商品M的交集A，與M的比值，A/M
3、覆蓋率
普遍假設網站商品都呈長尾分布，既熱門的商品總是少數，而且其他商品的熱門程度呈曲線下降，存在很多冷門商品。而評價推薦系統的覆蓋率即是看系統為所有用戶推 薦的全部商品數量，與網站中所有商品數量的差值。當然一般用以下兩個指標來評價：
（1）信息熵：又稱香農熵，指代信息量的多少，一般來說，覆蓋率越高的推薦系統，信息熵越大。
（2）基尼系數：一個經濟學系數，在這裏指代推薦系統中，熱門物品與冷門物品的比值，一般來說，覆蓋率越高的推薦系統，基尼系數越接近0
4、多樣性
推薦系統給出推薦列表中的商品，兩兩之間的不相似性。
5、新穎性
推薦給用戶的商品是用戶從來沒有聽說過的物品。
6、驚喜度
與用戶歷史興趣不相符，但又能讓用戶滿意的商品。
7、信任度
這裏一般用添加推薦解釋來達成
8、實時性
（1）實時根據用戶的新行為來推薦物品，如用戶購買手機，同時給用戶推薦手機殼
（2）推薦新加入系統的商品
9、健壯性
模擬攻擊之後，用戶的推薦列表的改變
推薦系統學習之評測指標