前言：在接下來的一段時間，我將學習《推薦系統實踐》這本書，打算把每天學習的內容進行總結寫成部落格，今天是第一篇，主要內容是關於推薦系統的一些常見指標。
1. 推薦系統實驗方法
2.評測指標
2.1 使用者滿意度
2.2 **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，主要通過離線計算獲得。根據推薦系統的研究方向，**準確度指標主要分為評分**和topn推薦。對於那些基於物品評分的**（如電影評分），一般通過評分**來度量推薦系統的**準確度，具體計算方式有均方根誤差（rmse）和平均絕對誤差（mae）兩種。對於那些需要提供給使用者乙個個性化的推薦列表的推薦，一般通過準確率和召回率來衡量。
關於電影推薦的**準確度衡量標準，認為評分**有失偏頗，選取topn推薦更符合實際應用需求。
2.3 覆蓋率
覆蓋率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。更為詳細的兩個指標是資訊熵和基尼係數。
2.4 多樣性
多樣性描述了推薦列表中物品兩兩之間的不相似性。
2.5 新穎性
2.6 驚喜度
驚喜度和新穎性的區別是，使用者對於推薦的未曾見過的物品感到滿意。
2.7 信任度
對於相同的推薦，我們總是傾向於我們信任的那個人的建議。因此，乙個好的推薦系統應該以讓使用者信任的方式推薦給使用者，這樣更能讓使用者產生購買慾。所以，一般的推薦系統中在給出推薦物品的同時還會顯示推薦的理由，這種做法就是為了增加使用者的信任度。
2.8 實時性
2.9 健壯性
健壯性衡量乙個推薦系統抗擊作弊的能力。在實際系統中，提高系統的健壯性，除了選擇健壯性高的演算法，還有：設計推薦系統時盡量使用代價比較高的使用者行為；在使用資料前，進行攻擊檢測，從而對資料進行清洗。
2.10 商業目標
根據自己的盈利模式設計不同的商業目標。
推薦系統評測指標之RMSE MSE
coding utf 8 fromloadmovielensimport importmath 評測指標 rmse 均方根誤差 mae 平均絕對誤差 defgetrmse prefer1,prefer2 rmse 0 forkey1,valueinprefer1.items zonghe 0 迭代測...
推薦系統學習之評測指標
1.處理資料集 將使用者行為資料集按照均勻分布隨機分成m份，挑選乙份作為測試集，剩下的m 1份作為訓練集 import random def splitdata data,m,k,seed test train random.seed seed for user,item in data if ra...
推薦系統的評測指標
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。這個指標是最重要的推薦系統離線評測指標，從推薦系統誕生的那一天起，幾乎99 與推薦相關的 都在討論這個指標。這主要是因為該指標可以通過離線實驗計算，方便了很多學術界的研究人員研究推薦演算法。但是上面的定義過於粗略。覆蓋率為 100 的系統可以有...