推荐系统常用的推荐算法_光环大数据培训[参考].pdfVIP

光环大数据 --大数据培训 人工智能培训 推荐系统常用的推荐算法 _光环大数据培训 一、推荐系统概述和常用评价指标 1.1 推荐系统的特点 在知乎搜了一下推荐系统， 果真结果比较少，显得小众一些，然后大家对推 荐系统普遍的观点是： (1) 重要性 UI数据 算法，就是推荐系统中一味追求先进的算法算是个误区， 通常论文研究类的推荐方法有的带有很多的假设限制， 有的考虑工程实现问题较 少，推荐系统需要大量的数据整理和转化， 同时更需要考虑公司业务特性以及与 现有系统的集成，方能形成推荐系统和业务之间的良性循环 ; (2) 推荐系统离线测试很好， 上线后要么没有严格的测试结果而只能凭感觉， 要么实际效果差强人意，我想主要缘于离线测试比较理想，而在线 AB 冠军测试 无论对于前端还是后台要求都很高，没有雄厚的研发实力难以实现 ; (3) 推荐系统受到的外部干扰因素特别多 ( 季节、流行因素等 ) ，整个系统需 要不断的迭代更新，没有一劳永逸的事情。 1.2 推荐系统的评价指标 由于推荐系统比较复杂， 所以涉及到的评价指标也很多。当然，用户满意度 最为的有效， 因为这本来就是推荐系统的最终目标， 但是奈何资源有限成本太高， 推荐系统还依赖于其它客观评价指标。 光环大数据 1 / 8 光环大数据 --大数据培训 人工智能培训 (1) 推荐准确度：这个参数可以离线计算所得，而且较为的客观，所以是各 大研究论文算法最重要的参考指标。 总体来说，推荐系统有两大任务： “预测”和“推荐”，所以推荐系统准确度 的评分包括： 评分预测：学习用户的评价模型， 用于预测用户对于未接触事物的评分， 其实可以看作是一个回归模型，一般用均方根误差或者绝对误差来衡量 ; TopN 推荐：给用户一个个性化的推荐列表，其一般通过准确度、召回 率等指标评估。 其中 N也是一个可变参数， 可以根据不同的 N描绘出对应算法的 ROC曲线来进一步评价推荐效果 ; (2) 覆盖率：体现了挖掘算法对发掘长尾商品的能力。最简单的定义是，对 所有用户推荐出的产品做并集， 然后看这个出现的并集产品与总产品数中所占的 比例，这种方式比较的粗线条， 因为推荐系统中马太效应频繁， 所以好的推荐算 法应当是所有商品被推荐的几率差不多， 都可以找到各自合适的用户， 所以实际 中会考虑信息熵、基尼系数等指标。 (3) 多样性：其原理可以表述为不在一棵树上吊死。因整个推荐系统涉及到 的因素太多，如果只推荐用户一个类别的相似物品，失败风险比较的大， 而且也 难以实现整个推荐效益的最大化。 (4) 新颖性：原理就是那些用户没有接触过、没有操作过的商品，或者是流 行度比较低的商品，对用户来说是比较新鲜的物品，往往会有意外的效果。 个人 觉得这个指标有点扯 ~~ 光环大数据