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容易地從所有物品中找到喜歡的物品，就不需要個性化推薦了

使用者大部分時候沒有特別明確的的需求，因為如果使用者有明確的需求，可以直接通過搜尋引擎找到感興趣的商品。

好的推薦系統不僅僅能夠準確**使用者的行為，而且能夠擴充套件使用者的視野，幫助使用者發現那些他們可能會感興趣，但卻不那麼容易發現的東西。同時，推薦系統還要能夠幫助商家將那些被埋沒在長尾中的好商品介紹給他們感興趣的商戶。

一般來說，乙個推薦演算法最終上線，需要完成上面所說的三個實驗。2.4.1：使用者滿意度：

2.4.2 覆蓋率：

覆蓋率描述了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。乙個好的推薦系統不僅需要有比較高的使用者滿意度，也要有比較高的覆蓋率。

我們可以通過研究物品在推薦列表中出現的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，而如果這個分布比較陡峭，說明推薦系統覆蓋率較低。我們有兩個比較好的指標來定義覆蓋率

1.資訊熵

2.基尼係數

2.4.3 多樣性

為了滿足使用者廣泛的興趣，推薦列表需要能夠覆蓋使用者不同的興趣領域，即推薦結果需要具有多樣性，儘管使用者的興趣

2.4.4 新穎性

2.4.5 驚喜度

令使用者驚喜的推薦結果是和使用者歷史喜歡的物品不相似，但使用者卻覺得滿意的推薦。

2.4.6 信任度

1、讓使用者了解推薦系統的推薦機制，讓使用者認同推薦系統的執行機制

2、利用好友資訊給使用者做推薦，並且用好友進行推薦解釋。

2.4.7 實時性

1、推薦系統需要實時地更新推薦列表來滿足使用者新的行為變化

2、需要將新加入系統的物品推薦給使用者

2.4.8 健壯性

1、設計推薦系統時盡量使用代價比較高的使用者行為。比如，如果使用者有購買行為和瀏覽行為，那麼主要應該使用使用者的購買行為，因為購買需要消費，所以攻擊購買行為的代價遠遠大於瀏覽行為

2、在使用資料前，進行攻擊檢測，從而對資料進行清理