搜尋和推薦的區別：搜尋更關注馬太效應（馬太效應傳送門），簡單的說，就是讓富有者更加富有，讓貧窮者更加貧窮；而對於推薦來說，則更加關注長尾分布，也就是要要提高覆蓋率；
如何得知推薦系統推薦的好壞，分為 …
對於推薦系統有兩個必須考慮的問題：ee（exploit-explore）和冷啟動問題：其中之一的解決辦法便是使用bandit演算法，有比較好的博文對此進行了總結，給個傳送門（bandit演算法），為什麼bandit演算法可以在一定程度上緩解冷啟動問題呢？模擬下面這個場景，對於乙個新來的使用者，並不確定他的興趣如何，那麼我們可以通過分類或者lda等生成topic的方式，將此作為多臂***，我們可以通過若干次實驗，確定使用者對於不同topic的感興趣概率；比如推薦某乙個topic給使用者，如果有顯示或者隱式反饋，表示得到了喜歡，否則表示使用者不喜歡，那麼多次實驗以後，就能完善對於該使用者的推薦了。
其實bandit演算法解決的便是如何權衡多樣性和準確性的問題，其起源於多臂***問題，選擇哪個***可以做到最大化收益呢？最好的辦法是去試一試，不是盲目地試，而是有策略地快速試一試，這些策略就是bandit演算法。常用的bandit演算法：
冷啟動問題：
一）提供非個性化的推薦：比如熱門排行榜。等使用者行為資料收集到一定時候再切換為個性化推薦。
二）利用註冊資訊，比如提供的年齡，性別等做粗粒化的推薦。
三）利用使用者社交網路賬號登入。
四）要求使用者在註冊時對一些物品進行反饋，收集使用者興趣資訊。
五）對新加的物品，利用內容資訊，將他們推薦給喜歡過和他們內容類似的使用者。（lda、tf-idf、word2vec等）
六）系統冷啟動時，可引入專家知識，通過一定高效方式迅速建立物品的相關度表。
《推薦系統 技術 評估及高效演算法》一2 1 簡介
推薦系統典型地運用了其他相鄰領域的技術和方法，如人機互動和資訊檢索。但是，大多數系統的核心演算法都可以理解成資料探勘技術的乙個特例。資料探勘的過程一般由三個連續執行的步驟組成 資料預處理 59 資料分析和結果解釋 見圖2.1 我們將在2.2節中分析一些最重要的資料預處理方法。鑑於資料抽樣 資料降維 ...
推薦系統 常見評估指標 學習筆記
目錄 1 推薦系統簡介 2 推薦系統常見評估指標 2.1 使用者滿意度 2.2 準確率相關 2.3 覆蓋率 2.4 多樣性 2.5 新穎性 2.6 roc auc 1.what 使用者 推薦系統是一種幫助使用者快速發現有用資訊的工具 公司 推薦系統是一種增加公司產品與使用者接觸,購買等行為概率的工具...
推薦演算法 推薦系統的評估
其中 ep 是測試資料集合 rs ua i ualu lu u 待推薦的列表大小 離線測試，使用者 u在測試集中影片數量 未打分的影片數量 iu a 是 影片 a 在使用者推薦列表中的排名ap x i 1x pre dict ioni ch ange inre call i ap 2 p redi ...