本篇文章给大家谈谈推荐系统多样性评价指标，以及推荐系统现状对应的知识点，希望对各位有所帮助，不要忘了收藏本站喔。 今天给各位分享推荐系统多样性评价指标的知识，其中也会对推荐系统现状进行解释，如果能碰巧解决你现在面临的问题，别忘了关注本站，现在开始吧！

本文目录一览：

推荐系统论文阅读(二十一)-DeepFM升级版xDeepFM

1、先看图c，xdeepfm是通过一个CIN将得到的向量concat后送到DNN中做ctr预估，这篇论文的关键就是整个CIN了，CIN全称是Compressed Interaction Network，下面来详细介绍下CIN是怎么做的。

2、wide&deep 首先来介绍一下wide&deep模型，模型结构如下图 模型中，wide部分负责记忆，deep部分负责扩展（泛化性）。

3、这是阿里妈妈发表在2020SIGIR上面的又一篇佳作，让我们来阅读一下这篇论文吧。

推荐系统之评估方法和评价指标PR、ROC、AUC

评价指标主要用于评价推荐系统各方面的性能 ，按照应用场景可以分为离线评估和线上测试。

ROC曲线一般都会处于0.5-1之间，所以AUC一般是不会低于0.5的，0.5为随机预测的AUC。AUC越大，反映出正样本的预测结果更加靠前，推荐的样本更能符合用户的喜好。

虽然在数值的倍数上看，FPR 是提高了 100 倍，更大，但是体现在曲线上，由于其数量级太小，并不会给人观感上提升的感觉；相反，PR-AUC 上的数量级比 ROC-AUC 大得多，有着肉眼可见的提升。

推荐算法简介

首先回顾一下UserCF算法和ItemCF算法的推荐原理：UserCF给用户推荐那些和他有共同兴趣爱好的用户喜欢的物品， 而ItemCF给用户推荐那些和他之前喜欢的物品具有类似行为的物品。

最后， 好的推荐系统设计，能够让推荐系统本身收集到高质量的用户反馈，不断完善推荐的质量，增加 用户和网站的交互，提高网站的收入。因此在评测一个推荐算法时，需要同时考虑三方的利益， 一个好的推荐系统是能够令三方共赢的系统。

基于用户（User-CF）： 基于用户的协同过滤推荐的基本原理是，根据所有用户对物品的偏好，发现与当前用户口味和偏好相似的“邻居”用户群，并推荐近邻所偏好的物品。

推荐算法很重要的一个原理是为用户推荐与用户喜欢的物品相似的用户又不知道的物品。

许多产品的推荐算法都依赖于三类数据：标的物相关的描述信息（如推荐鞋子，则包括鞋子的版型、适用对象、材质等信息、用户画像数据（指的是用户相关数据，如性别、年龄、收入等）、用户行为数据（例如用户在淘宝上的浏览、收藏、购买等）。

关于推荐系统多样性评价指标和推荐系统现状的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。 推荐系统多样性评价指标的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于推荐系统现状、推荐系统多样性评价指标的信息别忘了在本站进行查找喔。