转自 http://blog.csdn.net/sinat_33741547/article/details/52704986
最近开始学习推荐系统，特记录一下学习过程并做个分享。
推荐系统是什么不用多说，这里先介绍一下推荐系统的各种评测指标。
1、用户满意度
这个指标应该是最能体现一个推荐系统好坏的指标，但获取只能通过用户在线的反馈，类似用户问卷调查，或者用户对推荐物品的行为，比如购买、收藏、评分等判别。
2、预测准确度
在离线预测用户行为的评价上，这个指标相当重要。在统计学习中，也就是根据训练数据集学习得到的系统对测试数据集的预测准确度，既泛化能力。
推荐系统在这主要分为两个方面，评分预测与TopN预测。
（1）评分预测：类似豆瓣电影的评分，预测用户对推荐的某一物品的评分从而达到选择最优推荐的目的。而评价评分预测准确度的方法，一般有两种：
RMSE（均方根偏差）和MAE（平均绝对偏差）
（2）TopN预测：类似热门推荐，推荐N个商品给用户。评价这个指标的方法，一般也为两种：
准确率，既根据用户历史行为推荐的商品N与用户实际喜欢的商品M的交集A，与N的比值，A/N
召回率，既根据用户历史行为推荐的商品与与用户实际喜欢的商品M的交集A，与M的比值，A/M
3、覆盖率
普遍假设网站商品都呈长尾分布，既热门的商品总是少数，而且其他商品的热门程度呈曲线下降，存在很多冷门商品。而评价推荐系统的覆盖率即是看系统为所有用户推 荐的全部商品数量，与网站中所有商品数量的差值。当然一般用以下两个指标来评价：
（1）信息熵：又称香农熵，指代信息量的多少，一般来说，覆盖率越高的推荐系统，信息熵越大。
（2）基尼系数：一个经济学系数，在这里指代推荐系统中，热门物品与冷门物品的比值，一般来说，覆盖率越高的推荐系统，基尼系数越接近0
4、多样性
推荐系统给出推荐列表中的商品，两两之间的不相似性。
5、新颖性
推荐给用户的商品是用户从来没有听说过的物品。
6、惊喜度
与用户历史兴趣不相符，但又能让用户满意的商品。
7、信任度
这里一般用添加推荐解释来达成
8、实时性
（1）实时根据用户的新行为来推荐物品，如用户购买手机，同时给用户推荐手机壳
（2）推荐新加入系统的商品
9、健壮性
模拟攻击之后，用户的推荐列表的改变
