儘管不同的**使用不同的推薦系統技術，但總地來說，幾乎所有的推薦系統應用都是由前台的展示頁面、後台的日誌系統以及推薦演算法系統3部分構成的。
下面介紹各種推薦系統的評測指標。這些評測指標可用於評價推薦系統各方面的效能。
使用者滿意度
**準確度
**準確度度量乙個推薦系統或者推薦演算法**使用者行為的能力。由於離線的推薦演算法有不同的研究方向，因此下面將針對不同的研究方向介紹它們的**準確度指標。
評分**
評分**的**準確度一般通過均方根誤差（rmse）和平均絕對誤差（mae）計算。對於測試集中的乙個使用者u和物品i，令rui是使用者u對物品i的實際評分，而rui(hat)是推薦演算法給出的**評分，那麼rmse的定義為：
mae採用絕對值計算**誤差，它的定義為：
其中，t表示評分資料的長度。
topn推薦
**在提供推薦服務時，一般是給使用者乙個個性化的推薦列表，這種推薦叫做topn推薦。topn推薦的**準確率一般通過準確率（precision）/召回率（recall）度量。令r(u)是根據使用者在訓練集上的行為給使用者作出的推薦列表，而t(u)是使用者在測試集上的行為列表。那麼，推薦結果的召回率定義為：
有的時候，為了全面評測topn推薦的準確率和召回率，一般會選取不同的推薦列表長度n，計算出一組準確率/召回率，然後畫出準確率/召回率曲線（precision/recall curve）。
覆蓋率
覆蓋率（coverage）描述乙個推薦系統對物品長尾的發掘能力。覆蓋率有不同的定義方法，最簡單的定義為推薦系統能夠推薦出來的物品佔總物品集合的比例。但是上面的定義過於粗略。覆蓋率為100%的系統可以有無數的物品流行度分布。為了更細緻地描述推薦系統發掘長尾的能力，需要統計推薦列表中不同物品出現次數的分布。如果所有的物品都出現在推薦列表中，且出現的次數差不多，那麼推薦系統發掘長尾的能力就很好。因此，可以通過研究物品在推薦列表中出現次數的分布描述推薦系統挖掘長尾的能力。如果這個分布比較平，那麼說明推薦系統的覆蓋率較高，而如果這個分布較陡峭，說明推薦系統的覆蓋率較低。在資訊理論和經濟學中有兩個著名的指標可以用來定義覆蓋率。第乙個是資訊熵，第二個是基尼係數。
多樣性
新穎性
驚喜度
1 好的推薦系統
要發掘長尾提高銷售額，就必須充分研究使用者的興趣，而這正是個性化推薦主要解決的問題。推薦系統通過發掘使用者的行為，找到使用者的個性化需求，從而將長尾商品準確地推薦給需要它的使用者，幫助使用者發現那些他們感興趣但是又很難發現的商品 個性化推薦 新增哪個好友喜歡的物品 存在資訊過載，因為如果使用者可以很...
推薦系統實踐 好的推薦系統
一 好的推薦系統 1.什麼是推薦系統 從某種意義上說，推薦系統和搜尋引擎對於用語來說是兩個互補的工具。搜尋引擎滿足了使用者有明確目的時的主動查詢需求，而推薦系統能夠在使用者沒有明確目的的時候幫助他們發現感興趣的內容。分為社會化推薦，基於內容的推薦和基於協同過濾的推薦。目前廣告投放的技術主要分三種 上...
推薦系統實踐 項亮（1）好的推薦系統
目錄 第1章 好的推薦系統 1.1 什麼是推薦系統 1.2 個性化推薦系統的應用 1.2.1 電子商務 1.2.3 個性化 網路電台 1.2.4 社交網路 1.2.5 個性化閱讀 1.2.6 基於位置的服務 1.2.7 個性化郵件 1.2.8 個性化廣告 1.3 推薦系統評測 1.3.1 推薦系統實...