推荐系统断定标准

用户满意度 

描述用户对推荐结果的满意程度，这是推荐系统最重要的指标。通常经过对用户进行问卷或者监测用户线上行为数据得到。

预测准确度 

描述推荐系统预测用户行为的能力。通常经过离线数据集上算法给出的推荐列表和用户行为的重合率来计算。重合率越大则准确率越高。

覆盖率 

描述推荐系统对物品长尾的发掘能力。通常经过全部推荐物品占总物品的比例和全部物品被推荐的几率分布来计算。比例越大，几率分布越均匀则覆盖率越大。

多样性 

描述推荐系统中推荐结果可否覆盖用户不一样的兴趣领域。通常经过推荐列表中物品两两之间不类似性来计算，物品之间越不类似则多样性越好。

新颖性 

若是用户没有据说过推荐列表中的大部分物品，则说明该推荐系统的新颖性较好。能够经过推荐结果的平均流行度和对用户进行问卷来得到。

惊喜度 

若是推荐结果和用户的历史兴趣不类似，但让用户很满意，则能够说这是一个让用户惊喜的推荐。能够定性地经过推荐结果与用户历史兴趣的类似度和用户满意度来衡量。

 

 

简而言之，一个好的推荐系统就是在推荐准确的基础上，给全部用户推荐的物品尽可能普遍（挖掘长尾），给单个用户推荐的物品尽可能覆盖多个类别，同时不要给用户推荐太多热门物品，最牛逼的则是能让用户看到推荐后有种「相见恨晚」的感受。

推荐系统的分类