推荐系统评估
所有机器学习方法，包括推荐系统，都佳方法。实现这一目标的方法可以分为以下几种：使用一组明确的指标；人类的判断和满意度。
使用指标进行评估
当在模型中使用数字时，特别是评级预测、巧合概率，可以以标准方式评估推荐系统的有效性——基于测量错误的数量。例如，均方误差（MSE）就合适。该模型使用一些交互进行训练，其余的用于测试。
对于基于数值的模型，可以使用标准阈 电报电话号码 值方法将其转换为二进制形式。大于此的结果为正，小于此的结果为负。由于用户元素先前交互的数据集是二进制的，因此可以测量未涉及训练的交互的精度和召回率。
如果我们考虑一个不使用数值的推荐系统，而只返回一个推荐列表（基于 knn 方法的客户端-客户端、元素-元素），那么准确度可以通过估计 7 个无需传统营销预算却蓬勃发展的品牌 用户未与之交互的推荐元素的比例来计算。在这种情况下，只应考虑测试集中包含的客户评论信息。
下载有关该主题的有用文档：
清单：如何在与客户谈判中实现你的目标
以人为本的评估
在创建推荐系统时，需要获得一个不仅能够提 手机号码列表 供相关推荐，而且还具有其他有用特性的模型，特别是推荐的多样性和可预测性。
当然，谁也不想让用户在信息限制方面面临不可能完成的任务。 “随机性”一词通常用于描述模式固有的趋势或创建这种限制平台的趋势。意外发现概率 (Serendipity) 可以通过计算推荐位置之间的距离来估算，但不能设置得太低，因为这会造成限制区域。同时，也不能过高，因为这意味着没有在必要的程度上考虑用户的利益。