探索云世界
写回答
推荐算法评估指标 准确率：准确率是针对预测结果而言的，表示给用户推荐的物品中，有多少是真正感兴趣的。 召回率：召回率是针对推荐的结果，它表示的是用户感兴趣的物品中，有多少个是系统推荐的。 覆盖率：反映了推荐算法挖掘长尾物品的能力，如果所有物品都至少推荐给了1个用户，则覆盖率为100%。 流行度：根据推荐物品的平均流行度进行度量，如果推荐物品的流行度都比较高，则物品新颖度比较低。 常用推荐算法 协同过滤算法是基于用户行为数据设计的推荐算法，其中主要包括三类算法：「基于领域的方法」、「隐语义模型」、「基于图的随机游走算法」，这里主要给大家介绍一下「基于领域的方法」，分为User CF和Item CF两种。 有需要的可以提前去云小站看看哦 基于用户的协同过滤（User Collaborative Filtering） User CF的基础逻辑是给用户推荐和他兴趣相似的其他用户喜欢的物品，步骤如下：
找到和目标用户兴趣相似的用户集合； 找到这个集合中的用户喜欢的，且目标用户没有听说过的物品推荐给目标用户。 设有两个用户u和v，N(u)表示用户u曾经有过正反馈的物品集合，可通过以下方式计算两个用户的兴趣相似度：
Jaccard公式：
计算余弦相似度：
得到用户的兴趣相似度后，选择与用户兴趣最相似的K个用户，将他们的兴趣物品（并排除目标用户已反馈过的物品），推荐给目标用户。
算法缺点
随着网站用户数目越来越大，计算用户兴趣相似矩阵越来越困难； 运算时间复杂度和空间复杂度与用户数增长近似于平方关系。 因此，亚马逊推出了-item CF。
基于物品的协同过滤（Item Collaborative Filtering） User CF的基础逻辑是给用户推荐和他之前喜欢的物品相似的物品，步骤如下：
计算物品之间的相似度； 根据物品的相似度和用户的历史行为给用户生成推荐列表。 通过计算喜欢物品 i 的用户中有多少也喜欢物品 j，来计算两个物品的相似度：
得到物品的相似度后，选择与其最相似的K个物品集合，推荐给目标用户。
User CF与Item CF算法的对比
推荐系统的评估维度 评估一个推荐系统的质量，需要综合多个维度进行评估，核心维度如下：
用户满意度：用户后续行为反馈，调研 预测准确度：准确度/召回率 覆盖率：对物品长尾的挖掘能力，注意马太效应的影响 多样性：用户兴趣类型分布 新颖性：排除用户历史反馈物品，排除热门物品 惊喜度：非用户历史兴趣，但是满意 信任度：透明度，推荐机制解释程度 实时性：是否可以针对用户行为实时进行反馈 健壮性：防攻击，反作弊 商业目标达成情况 冷启动 除了以上所述，搭建推荐系统，还需要考虑的一个重要问题就是“冷启动”，涉及冷启动的场景主要有以下三类：
用户冷启动 一个新用户，没有任何历史行为数据，怎么做推荐。
物品冷启动 一个新上线的物品，没有用户对它产生过行为，怎么推荐给感兴趣的用户。
系统冷启动 一个新开发的网站，没有用户数据，怎么做个性化推荐。
根据系统的场景属性，可以设计不同的冷启动方式：
提供非个性化推荐； 利用用户注册信息如年龄性别等做粗颗粒度推荐； 利用用户社交关系； 新用户要求对一系列物品进行反馈； 对应新物品，利用内容属性推荐给相似物品感兴趣用户； 专家搭建多维度标签体系。 设计一个健全的推荐系统，算法和策略需要综合考虑多项因素，包括服务器、计算资源成本，人力成本，可持续性和可扩展性等。
高质量的推荐系统会使用户对系统产生依赖，因此，推荐系统不仅能为用户提供个性化服务，还能与用户建立长期稳定的关系，提高用户忠诚度，防止用户流失。
希望我的梳理可以给到一些启发和参考。
推荐算法评估指标 准确率：准确率是针对预测结果而言的，表示给用户推荐的物品中，有多少是真正感兴趣的。 召回率：召回率是针对推荐的结果，它表示的是用户感兴趣的物品中，有多少个是系统推荐的。 覆盖率：反映了推荐算法挖掘长尾物品的能力，如果所有物品都至少推荐给了1个用户，则覆盖率为100%。 流行度：根据推荐物品的平均流行度进行度量，如果推荐物品的流行度都比较高，则物品新颖度比较低。 常用推荐算法 协同过滤算法是基于用户行为数据设计的推荐算法，其中主要包括三类算法：「基于领域的方法」、「隐语义模型」、「基于图的随机游走算法」，这里主要给大家介绍一下「基于领域的方法」，分为User CF和Item CF两种。
基于用户的协同过滤（User Collaborative Filtering） User CF的基础逻辑是给用户推荐和他兴趣相似的其他用户喜欢的物品，步骤如下：
找到和目标用户兴趣相似的用户集合； 找到这个集合中的用户喜欢的，且目标用户没有听说过的物品推荐给目标用户。 设有两个用户u和v，N(u)表示用户u曾经有过正反馈的物品集合，可通过以下方式计算两个用户的兴趣相似度：
Jaccard公式：
计算余弦相似度：
得到用户的兴趣相似度后，选择与用户兴趣最相似的K个用户，将他们的兴趣物品（并排除目标用户已反馈过的物品），推荐给目标用户。
算法缺点
随着网站用户数目越来越大，计算用户兴趣相似矩阵越来越困难； 运算时间复杂度和空间复杂度与用户数增长近似于平方关系。 因此，亚马逊推出了-item CF。
基于物品的协同过滤（Item Collaborative Filtering） User CF的基础逻辑是给用户推荐和他之前喜欢的物品相似的物品，步骤如下：
计算物品之间的相似度； 根据物品的相似度和用户的历史行为给用户生成推荐列表。 通过计算喜欢物品 i 的用户中有多少也喜欢物品 j，来计算两个物品的相似度：
得到物品的相似度后，选择与其最相似的K个物品集合，推荐给目标用户。
User CF与Item CF算法的对比
推荐系统的评估维度 评估一个推荐系统的质量，需要综合多个维度进行评估，核心维度如下：
用户满意度：用户后续行为反馈，调研 预测准确度：准确度/召回率 覆盖率：对物品长尾的挖掘能力，注意马太效应的影响 多样性：用户兴趣类型分布 新颖性：排除用户历史反馈物品，排除热门物品 惊喜度：非用户历史兴趣，但是满意 信任度：透明度，推荐机制解释程度 实时性：是否可以针对用户行为实时进行反馈 健壮性：防攻击，反作弊 商业目标达成情况 冷启动 除了以上所述，搭建推荐系统，还需要考虑的一个重要问题就是“冷启动”，涉及冷启动的场景主要有以下三类：
用户冷启动 一个新用户，没有任何历史行为数据，怎么做推荐。
物品冷启动 一个新上线的物品，没有用户对它产生过行为，怎么推荐给感兴趣的用户。
系统冷启动 一个新开发的网站，没有用户数据，怎么做个性化推荐。
根据系统的场景属性，可以设计不同的冷启动方式：
提供非个性化推荐； 利用用户注册信息如年龄性别等做粗颗粒度推荐； 利用用户社交关系； 新用户要求对一系列物品进行反馈； 对应新物品，利用内容属性推荐给相似物品感兴趣用户； 专家搭建多维度标签体系。 设计一个健全的推荐系统，算法和策略需要综合考虑多项因素，包括服务器、计算资源成本，人力成本，可持续性和可扩展性等。
高质量的推荐系统会使用户对系统产生依赖，因此，推荐系统不仅能为用户提供个性化服务，还能与用户建立长期稳定的关系，提高用户忠诚度，防止用户流失。
希望我的梳理可以给到一些启发和参考。
作者：orca AdBright产品经理
拼团了，好友利益:云服务器双11狂欢特惠，最低仅需84.97元/年，助力轻松上云https://www.aliyun.com/1111/pintuan-share?ptCode=MTc5MTczMjYyMDQxOTE3NHx8MTE0fDE%3D&userCode=vjly8ffr
版权声明：本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
