标签：预测 推荐 系统 用户 笔记 学习 信息 物品
- 好的推荐系统
- 疑问：推荐系统的主要任务，推荐系统和分类目录以及与搜索引擎的区别等
- 什么是推荐系统
- 如果对象数目巨大，用户只能通过搜索引擎找到自己需要的目标
- 如果用户没有明确需求时，需要一个工具帮助筛选，给出一些建议，这个工具就是推荐系统
- 推荐系统的任务
- 联系用户和信息，一方面帮助用户发现对自己有价值的信息，另一方面让信息能够展现在对他感兴趣的用户面前，从而实现信息消费者和生产者的双赢
- 更好的发掘长尾（一小部分用户的个性化需求），提高销售业绩
- 和搜索引擎比较
- 不同的是推荐系统不需要用户提供明确信息
- 相同的是帮助用户发现信息
- 推荐算法的本质：通过一定的方式将用户的物品联系起来，而不同的推荐系统利用了不同的方式
- 推荐系统就是自动联系用户和物品的一种工具
- 成功的条件
- 什么是好的推荐系统
- 用户，平台，内容生产者 三赢
- 预测准确度是最重要指标
- 准确的预测并不代表是好的推荐，不新颖，不能令他惊喜，无法增加潜在购买力
- 不仅能够准确预测用户行为，能够扩展用户事业，帮助用户发现可能感兴趣，不容易发现的东西
- 实验方法
- 离线实验
- 方法
- 日志获得用户数据行为，生成数据集
- 按照规则划分训练集和测试集，在训练集上训练模型，测试集上预测
- 通过事先定义的指标评测算法的预测结果
- 优点
- 不需要实际系统的控制权
- 不需要用户参与
- 速度快，测试大量算法
- 缺点
- 用户调查
- 用户回答问题
- 成本高，任务设计要科学，实验人群要分布科学
- 在线实验
- AB实验，常见实验方法，随即划分用户
- 优点：公平获得不同算法在线的性能指标
- 缺点：周期长，各个层级阶段会互相干扰
- 预测准确度
- 评分预测：预测用户对物品评分的行为叫评分预测，可能出现用户评分高，但是用户评分的可能性很小
- TopN预测：给用户一个个个性化的推荐列表，准确率/召回率，更符合实际应用需求
- 覆盖率：描述一个推荐系统对物品长尾的发掘能力，推荐系统能够推荐出来的物品占总物品的比例。一个好的推荐系统不仅要有较高的用户满意度，还要有较高的覆盖率
- 多样性：能够覆盖用户不同的兴趣领域
- 新颖性：推荐用户没有听说过的东西，可以推荐用户没搜索过的东西
- 惊喜度：用户历史上喜欢的物品不相似，但是用户觉得满意的推荐
- 信任度：同样的推荐结果，让用户信任的方式推荐给用户，让用户产生更强的购买欲
- 提高透明度，让用户了解推荐系统的运行极机制，得到用户认同
- 考虑用户的社交网络信息，利用好友推荐
- 实时性
- 实时推荐给用户，满足用户新的行为变化
- 能够将新的物品推荐给用户
- 健壮性
- 设计推荐系统的时候尽量使用代价较高的用户行为
- 进行攻击检测，清理污染的数据
- 商业目标
标签：预测,
推荐,
系统,
用户,
笔记,
学习,
信息,
物品
From： https://www.cnblogs.com/ak918xp/p/18057904