推薦系統斷定標準

用戶滿意度 

描述用戶對推薦結果的滿意程度，這是推薦系統最重要的指標。通常經過對用戶進行問卷或者監測用戶線上行爲數據得到。

預測準確度 

描述推薦系統預測用戶行爲的能力。通常經過離線數據集上算法給出的推薦列表和用戶行爲的重合率來計算。重合率越大則準確率越高。

覆蓋率 

描述推薦系統對物品長尾的發掘能力。通常經過全部推薦物品佔總物品的比例和全部物品被推薦的機率分佈來計算。比例越大，機率分佈越均勻則覆蓋率越大。

多樣性 

描述推薦系統中推薦結果可否覆蓋用戶不一樣的興趣領域。通常經過推薦列表中物品兩兩之間不類似性來計算，物品之間越不類似則多樣性越好。

新穎性 

若是用戶沒有據說過推薦列表中的大部分物品，則說明該推薦系統的新穎性較好。能夠經過推薦結果的平均流行度和對用戶進行問卷來得到。

驚喜度 

若是推薦結果和用戶的歷史興趣不類似，但讓用戶很滿意，則能夠說這是一個讓用戶驚喜的推薦。能夠定性地經過推薦結果與用戶歷史興趣的類似度和用戶滿意度來衡量。

 

 

簡而言之，一個好的推薦系統就是在推薦準確的基礎上，給全部用戶推薦的物品儘可能普遍（挖掘長尾），給單個用戶推薦的物品儘可能覆蓋多個類別，同時不要給用戶推薦太多熱門物品，最牛逼的則是能讓用戶看到推薦後有種「相見恨晚」的感受。

推薦系統的分類