推薦系統簡介

一、推薦系統的目的

二、推薦系統的基本思想

三、推薦系統分類

1、根據實時性分類

2、根據推薦原則分類

3、根據資料來源分類

四、推薦演算法簡介

1、基於人口統計學的推薦

2、基於內容的推薦：利用使用者評價過的物品的內容特徵

3、基於協同過濾的推薦

基於使用者（user-cf）

基於物品（item-cf）

奇異值分解（svd）

潛在語義分析（lsa）

支撐向量機（svm）

5、混合推薦

五、推薦系統實驗方法

1、離線實驗

2、使用者調查

使用者調查需要有一些真實使用者，讓他們在需要測試的推薦系統上完成一些任務；我們需要記錄他們的行為，並讓他們回答一些問題；最後進行分析

在完成離線實驗和使用者調查後，可以將系統上線做ab測試

ab測試：通過一定的規則將使用者隨機分成幾組，對不同組的使用者採用不同的演算法，然後通過統計不同組的評測指標，比較不同演算法的好壞。

六、推薦系統評測指標

1、**準確度：是推薦系統最重要的離線評測指標

平均絕對誤差（mae）：

均方根誤差（rmse）：

精確率（precision）：針對**結果而言，它表示**為正的樣本中有多少是真正的正樣本。那麼**為正就有兩種可能了，一種就是把正類**為正類(tp)，另一種就是把負類**為正類(fp)

召回率（recall）：針對原來的樣本而言，它表示的是樣本中的正例有多少被**正確了。那也有兩種可能，一種是把原來的正類**成正類(tp)，另一種就是把原來的正類**為負類(fn)。

2、使用者滿意度：

3、覆蓋率：推薦系統推薦出來的物品佔總物品的比例。

4、多樣性：推薦系統需要能夠覆蓋使用者不同興趣的領域。

6、驚喜度：推薦的結果和使用者的歷史興趣不相似，但讓使用者滿意，這就是驚喜度很高

增加系統透明度

利用社交網路

8、實時性

10、商業目標