推荐系统概念解释 and 一个好的推荐系统

用户满意度
- 用户满意度是推荐系统测评的重要指标，但是实际上，用户满意度数据获得的方式十分有限，因为这是一种用户的主观情感。
- 设计合适的方式对于用户的满意度进行回收分析，是改进推荐系统的一个很好的方式。这样的的方式包括但不限于，设计合适的调查问卷，在物品的购买结束后附上一份满意度调查。
- 满意度在一些程度上可以细分为更加具体的信息。例如点击率，用户停留时间，转化率，完播率，或者是哔站视频点赞，三连的比例。
预测准确度
- 召回率(Recall)
```
Recall =\frac{\sum_{u\in U}{\vert R(u)\cap T(u) \vert}}{\sum_{u\in U \vert T(u)\vert}}
```
- 其中 R(u) 是根据用户在训练集上的行为给用户做出的推荐列表， T(u) 是用户在测试集上的行为列表。
- 召回率的意义？可以参考机器学习中留下的定义进行理解
精确率
```
Precision =\frac{\sum_{u\in U}{\vert R(u)\cap T(u)\vert}}{\sum_{u\in U}{\vert R(u) \vert}}
```
- 其中 R(u) 是根据用户在训练集上的行为给用户做出的推荐列表， T(u) 是用户在测试集上的行为列表。
- 精确率的意义？
覆盖率
- 描述了一个系统对于物品长尾的发掘能力。
- 覆盖率的一个定义可以是：
```
Coverage = \frac{\vert \bigcup_{u\in U}{R(u)}\vert}{\vert I \vert}
```
- 其中，用户集合为 U ，系统为每位用户推荐一个长度为 N 的物品列表 R(u)
- 覆盖率的意义：覆盖率越高，以为这系统中被推荐给用户的物品，占所有物品的比例越大，对于一个好的推荐系统，不仅需要有较高的用户满意度，还需要有较高的覆盖率。
- 当然对于覆盖率的定义，不止以上的这一种，甚至说，在实际使用上，上述简单的覆盖率不足以支撑大规模复杂系统的覆盖率计算，所以如何对于覆盖率进行修正和更新？信息熵与基尼系数！
- 推荐了解，马太效应，一个强者更强，弱者更弱的效应，在推荐系统中也同样存在。
多样性
- 假设，s(i,j) 定义了物品 i 和 j 之间的相似度，给用户 u 的推荐列表 $R(u)$的多样性定义：
```
Diversity = 1- \frac{\sum_{i,j\in R(u),i\ne j}{s(i,j)}}{\frac{1}{2}\vert R(u)\vert (\vert R(u)-1\vert)}
```
- 推荐系统整体的多样性可以定义为，用户推荐列表多样性的平均值：
```
Diversity = \frac{1}{\vert U\vert}\sum_{u\in U}{Diversity(R(u))}
```
信任度
- 用户对于该系统的信任程度
实时性
- 系统对于数据更新的时效性
健壮性
- 系统对于外来攻击的防护性

2.8 KiB Raw Blame History

推荐系统概念解释 and 一个好的推荐系统

2.8 KiB

Raw Blame History