推薦系統(tǒng)能夠?yàn)橛脩籼峁﹤€(gè)性化體驗(yàn)，現(xiàn)在基本上各大電商平臺(tái)、資訊平臺(tái)都會(huì)用推薦系統(tǒng)為自家評(píng)價(jià)下的用戶提供千人千面的服務(wù)。平均精度均值（Mean Average Precision，MAP）便是評(píng)估推薦系統(tǒng)性能的度量標(biāo)準(zhǔn)之一。

但是，使用其他診斷指標(biāo)和可視化工具可以讓模型評(píng)估更加深入，甚至還會(huì)帶來一些其他啟發(fā)。本文探討了召回率、覆蓋率、個(gè)性化和表內(nèi)相似性，并使用這些指標(biāo)來比較三個(gè)簡單的推薦系統(tǒng)。

Movielens數(shù)據(jù)集

這篇文章中的例子使用的數(shù)據(jù)是Movielens 20m數(shù)據(jù)集。這些數(shù)據(jù)包含用戶對(duì)電影的評(píng)分以及電影類型的標(biāo)記。 （為了延長訓(xùn)練時(shí)間，該數(shù)據(jù)被下采樣，評(píng)分僅包括給超過1000部電影打過分的用戶的評(píng)分，以及3星及其以上的評(píng)分。）

用戶電影評(píng)級(jí)的示例

模型

本文測(cè)試并比較了三種不同的推薦系統(tǒng)：

1.隨機(jī)推薦（隨機(jī)為每位用戶推薦10部電影）

2.根據(jù)流行度推薦（向每位用戶推薦最受歡迎的10部電影）

3.協(xié)同過濾器（使用SVD的矩陣分解方法）

接下來就讓我們深入了解這些指標(biāo)和診斷圖，并比較這些模型！

長尾圖

長尾圖用于挖掘用戶-項(xiàng)交互數(shù)據(jù)中的流行度模式，例如點(diǎn)擊次數(shù)、評(píng)分或購買行為等。通常，只有一小部分項(xiàng)目具有大量的交互，我們稱之為“頭部”；而大多數(shù)項(xiàng)目都集中在“長尾”中，它們只占交互的一小部分。

長尾圖 （Movielens 20m評(píng)級(jí)數(shù)據(jù)樣本）

在訓(xùn)練數(shù)據(jù)中會(huì)對(duì)許多熱門項(xiàng)目進(jìn)行多方觀察，因此，推薦系統(tǒng)想要準(zhǔn)確預(yù)測(cè)這些項(xiàng)目并不難。在電影數(shù)據(jù)集中，最受歡迎的電影是大片和經(jīng)典老片。這些電影已為大多數(shù)用戶所熟知，推薦這些電影，對(duì)用戶來說可能并非是個(gè)性化推薦，也可能無法幫助用戶發(fā)現(xiàn)其他新的電影。相關(guān)推薦被定義為用戶在測(cè)試數(shù)據(jù)時(shí)給予正面評(píng)價(jià)的項(xiàng)目的推薦。這里的指標(biāo)用來評(píng)估推薦系統(tǒng)的相關(guān)性和實(shí)用性。

MAP和MAR

推薦系統(tǒng)會(huì)為測(cè)試集中的每個(gè)用戶生成推薦的有序列表。平均精度均值（MAP）可以讓開發(fā)者深入了解推薦項(xiàng)目列表的相關(guān)性，而召回率可以讓開發(fā)者深入了解推薦系統(tǒng)的調(diào)試性能，如調(diào)試用戶給予正向評(píng)價(jià)的所有項(xiàng)目。MAP和MAR的詳細(xì)描述如下：

Mean Average Precision (MAP) For Recommender Systems?sdsawtelle.github.io

覆蓋率

覆蓋率是指模型能夠在測(cè)試集上推薦的項(xiàng)目占訓(xùn)練數(shù)據(jù)的百分比。在此示例中，受歡迎度推薦的覆蓋率僅為0.05％，它只推薦了10件物品。隨機(jī)推薦器的覆蓋率接近100％。出乎意料的是，協(xié)同過濾只能推薦其訓(xùn)練的項(xiàng)目的8.42％。

三個(gè)推薦系統(tǒng)的覆蓋率比較：

個(gè)性化

個(gè)性化是評(píng)估模型是否向不同用戶推薦相同項(xiàng)目的方法。用戶的推薦列表之間存在差異（1-余弦相似性）。下邊的例子能很好地說明如何計(jì)算個(gè)性化程度。

3個(gè)不同用戶的推薦項(xiàng)目示例列表：

首先，每個(gè)用戶的推薦項(xiàng)目會(huì)被表示為二進(jìn)制指示符變量（1：向用戶推薦該項(xiàng)目.0：不向用戶推薦該項(xiàng)目）。

然后，跨所有用戶的推薦向量計(jì)算余弦相似度矩陣。

最后，計(jì)算余弦矩陣的上三角的平均值。個(gè)性化是1-平均余弦相似度。

高個(gè)性化分?jǐn)?shù)表示用戶的推薦不同，這也意味著該模型為每一位用戶提供個(gè)性化體驗(yàn)。

列表內(nèi)相似性

列表內(nèi)相似性是推薦列表中所有項(xiàng)目的平均余弦相似度。該計(jì)算使用推薦項(xiàng)目（例如電影類型）的特征來計(jì)算相似度。該計(jì)算方法可以通過以下示例說明。

針對(duì)3個(gè)不同用戶的電影ID的推薦示例：

這些電影類型特征用于計(jì)算推薦給用戶的所有項(xiàng)目之間的余弦相似度。該矩陣顯示了向用戶1推薦的所有電影的特征。

我們可以為每個(gè)用戶計(jì)算表內(nèi)相似性，并對(duì)測(cè)試集中的所有用戶求平均值，從而得到對(duì)模型的表內(nèi)相似性的估計(jì)。

如果推薦系統(tǒng)向每一個(gè)用戶推薦非常相似的項(xiàng)目列表（如用戶僅接收浪漫電影的推薦），那么列表內(nèi)相似性將很高。

使用正確的訓(xùn)練數(shù)據(jù)

我們可以對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行如下操作，從而快速改進(jìn)推薦系統(tǒng)：

1.從培訓(xùn)數(shù)據(jù)中刪除熱門項(xiàng)目 （這一點(diǎn)適用于用戶可以自行找到這些項(xiàng)目，以及發(fā)現(xiàn)這些項(xiàng)目不具備實(shí)用性的情況）。

2.按照用戶的值來放大項(xiàng)目評(píng)級(jí)，例如平均交易值。這樣做有助于模型推薦能夠帶來忠誠度或高價(jià)值客戶的項(xiàng)目。

結(jié)論

一個(gè)好的推薦系統(tǒng)能夠生成兼具實(shí)用性和相關(guān)性的推薦結(jié)果。

使用多個(gè)評(píng)估指標(biāo)來評(píng)估模型，能夠更加全面地衡量一個(gè)推薦系統(tǒng)的性能。

原文鏈接：Evaluation Metrics for Recommender Systems

以上內(nèi)容由第四范式先薦編譯，僅供于學(xué)習(xí)交流，版權(quán)歸原作者所有。

---

相關(guān)閱讀：

如何解決推薦系統(tǒng)中的冷啟動(dòng)問題？

推薦系統(tǒng)：混合過濾

推薦系統(tǒng)：協(xié)同過濾及其利弊

推薦系統(tǒng)過濾技術(shù)：基于內(nèi)容的過濾及其利弊

推薦系統(tǒng)的工作流程

用Python搭建推薦系統(tǒng)的最佳開源包

如何用Python搭建一個(gè)簡單的推薦系統(tǒng)？

想要了解推薦系統(tǒng)？看這里！（2）——神經(jīng)網(wǎng)絡(luò)方法

想要了解推薦系統(tǒng)？看這里！（1）——協(xié)同過濾與奇異值分解

入門推薦系統(tǒng)，你不應(yīng)該錯(cuò)過的知識(shí)清單

推薦系統(tǒng)相關(guān)術(shù)語知多少
如欲了解更多，歡迎搜索并關(guān)注先薦微信公眾號(hào)（ID：dsfsxj）。

本賬號(hào)為第四范式智能推薦產(chǎn)品先薦的官方賬號(hào)。賬號(hào)立足于計(jì)算機(jī)領(lǐng)域，特別是人工智能相關(guān)的前沿研究，旨在把更多與人工智能相關(guān)的知識(shí)分享給公眾，從專業(yè)的角度促進(jìn)公眾對(duì)人工智能的理解；同時(shí)也希望為人工智能相關(guān)人員提供一個(gè)討論、交流、學(xué)習(xí)的開放平臺(tái)，從而早日讓每個(gè)人都享受到人工智能創(chuàng)造的價(jià)值。

先薦_智能推薦系統(tǒng)_個(gè)性化推薦專家?www.tuijianxitong.cn

總結(jié)

以上是生活随笔為你收集整理的movielens推荐系统_案例|推荐系统的评估指标的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。