推荐系统实践

• 大头

  2014-01-28
  UserCF的推荐结果着重于反映和用户兴趣相似的小群体的热点，而ItemCF的推荐结果着重于维系用户的历史兴趣。
• 大头

  2014-01-28
  一般来说，热门的类其类内物品相似度一般比较大。如果不进行归一化，就会推荐比较热门的类里面的物品，而这些物品也是比较热门的。因此，推荐的覆盖率就比较低。相反，如果进行相似度的归一化，则可以提高推荐系统的覆盖率。
• 大头

  2014-01-28
  如果将ItemCF的相似度矩阵按最大值归一化，可以提高推荐的准确率。归一化的好处不仅仅在于增加推荐的准确度，它还可以提高推荐的覆盖率和多样性。
• 大头

  2014-01-27
  活跃用户对物品相似度的贡献应该小于不活跃的用户。
• 大头

  2014-01-26
  两个用户对冷门物品采取过同样的行为更能说明他们兴趣的相似度。
• 大头

  2014-01-24
  提高推荐系统的信任度主要有两种方法。首先需要增加推荐系统的透明度（transparency），而增加推荐系统透明度的主要办法是提供推荐解释。其次是考虑用户的社交网络信息，利用用户的好友信息给用户做推荐，并且用好友进行推荐解释。
• 大头

  2014-01-24
  提高推荐惊喜度需要提高推荐结果的用户满意度，同时降低推荐结果和用户历史兴趣的相似度。
• 大头

  2014-01-24
  评测推荐系统是否具有马太效应的简单办法就是使用基尼系数。
• 大头

  2014-01-22
  预测用户是否会看一部电影，应该比预测用户看了电影后会给它什么评分更加重要。
• 大头

  2014-01-20
  准确的预测并不代表好的推荐。
• AdmireL

  2013-04-14
  好友推荐可以增加推荐的信任度同样是给用户推荐《天龙八部》，前面提到的基于物品的协同过滤算法会说是因为用户之前看过《射雕英雄传》，而好友推荐会说是因为用户有8个好友都非常喜欢《天龙八部》。对比这两种解释，第二种解释一般能让用户更加心动，从而购买或者观看《天龙八部》。
• AdmireL

  2013-04-14
  令用户惊喜的推荐结果是和用户历史上喜欢的物品不相似，但用户却觉得满意的推荐。
• AdmireL

  2013-04-14
  1. 离线实验数据集按一定规则分成：训练集和测试集2. 用户调查按目标用户比例分布找实际用户测试3. 在线实验与旧推荐系统进行AB测试采用此方法一般要求先进行上面1，2的方法
• AdmireL

  2013-04-14
  准确度、覆盖度、新颖度、惊喜度、信任度、透明度
• 卡枯楠

  2012-08-24
  提高推荐系统的信任度主要有两种方法。首先需要增加推荐系统的透明度（transparency），而增加推荐系统透明度的主要办法是提供推荐解释。
• 卡枯楠

  2012-08-24
  推荐系统的初衷是希望消除马太效应，使得各种物品都能被展示给对他们感兴趣的某一类人群。
• sumnous

  2012-07-21
  社交网络可以解决冷启动问题。社会化推荐的缺点在于不能提供推荐算法的离线精度（准确率和召回率）。基于社交图谱数据的推荐系统中，因为用户关系不是基于共同兴趣产生的，所以用户好友的兴趣往往和用户的兴趣并不一致。
• sumnous

  2012-07-21
  Facebook为代表的社交网络称为社交图谱（social graph），而以Twitter为代表的社交网络称为兴趣图谱（interest graph）。
• Palmer

  2013-03-19
  此外，很多社交网站中具有好友关系的用户不一定有相似的兴趣
• Palmer

  2013-03-19
  社会化推荐系统的效果往往很难通过离线试验评测，因为社会化推荐的优势不在于增加预测准确度，而是在于通过用户的好友增加用户对推荐结果的信任度，从而让用户单击那些很冷门的推荐结果