1. 推荐系统分类

（1）按照数据源分

基于人口统计学的推荐：主要依赖用户信息来分

基于内容（CB）的推荐：主要依赖被推荐物品的信息来分

基于协同过滤（CF）的推荐：基于近邻或基于模型；CF一上来的时候没有任何数据，所以需要结合一些获取推荐数据的方法

混合推荐：加权混合，切换混合，分区混合，分层混合

（2）基于近邻的协同过滤

基于用户（User-CF）：可以利用其他用户的评价，找到与待分析用户相似评价的其他用户

基于物品（Item-CF）：找获得相似用户评价的其他物品，避免CB仅依赖物品而造成的干扰

 

2. 推荐系统实验方法

（1）离线实验

在训练集训练，测试集测试准确率；整个过程中都在已经获得的数据上进行

优势：方便

劣势：可靠性不能保证

（2）用户调查

找真实用户来完成任务，回答问题，再做分析

（3）在线实验

AB测试：把用户分成两组，导到两套推荐系统，最后对比评测两套系统的优劣

 

3. 推荐准确度评测

（1）评分预测

计算 均方根误差 或 平均绝对误差

（2）TOP-N推荐

精确率（precision）：所有被检索到的item中，应该被检索的所占比例

召回率（recall）：正确检索的item占所有应该被正确检索的item的比例