本篇文章给大家谈谈推荐系统的评价，以及推荐系统的评价指标MAE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的评价的知识，其中也会对推荐系统的评价指标MAE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：

客户投资推荐系统的优缺点

第三：过度商业化。在很多商业互联网平台上，推荐系统必然会有商业化用途，这是无可厚非的，也是推荐系统被开发的早期诉求之一，但是过度的商业化也会为用户带来一定的反感，甚至会影响用户的使用体验。

基于客户端的推荐系统有如下优点：（1）由于用户的信息就在本地收集和处理，因而不但能够获取丰富准确的用户信息以构建高质量的用户模型。

缺点是：稀疏性问题，用户对商品的评价矩阵非常稀疏；可扩展性问题，随着系统用户和商品的增多，系统的性能会越来越低；冷启动问题，如果从来没有用户对某一商品加以评价，则这个商品就不可能被推荐。基于知识的推荐。

用户主动查阅、客户质量高 SEO相比其他网络付费渠道，更人性化。客户根据需求搜索得以展示，不根据需求搜索不展示；因此更能增加用户的主动感，精准客户获取更多。

高效的服务效率提高客户满意度 CRM系统可以有效区别不同的客户类别，根据客户的市场活动、客户需求及问题，归类客户类别，然后拟定不同的关怀方式，不断培养客户满意度。

中间商的介入，分担了生产者的经营风险；借助于中间环节，可增加商品销售的覆盖面，有利于扩大商品市场占有率。间接渠道的缺点：中间环节太多，会增加商品的经营成本。 限制了国内企业在国外市场上的经营销售能力的扩大。

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。

F1-score：精确率和召回率的调和平均数，同时考虑了二者的表现。ROC曲线和AUC值ROC曲线是将分类器真正例率TPR对假正例率FPR的曲线，AUC（Area Under Curve）是ROC曲线下的面积。

ROC（ReceiverOperatingCharacteristic）指标是医学、生物、情报检测等领域常用的评估分类模型性能的指标。其基本思想是采用不同的阈值，绘制出一条曲线来描述分类模型的灵敏度和特异度之间的关系。

评价推荐系统的几个标准

1、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。

2、NDCG常用于作为对排序的评价指标，当我们通过模型得出某些元素的排序的时候，便可以通过NDCG来测评这个排序的准确度。 NDCG首先要从CG（cumulative gain，累计增益）说起，CG可以用于评价基于打分/评分的个性推荐系统。

3、系统的好坏可以从目标明确、结构合理、接口清除、能观能控等方面进行评价。目标明确 每个系统均为一个目标而运动的。结构合理 一个系统由若干子系统组成，子系统又可划分为更细的子系统。

4、在推荐系统评估时大家往往语焉不详的“惊喜度”（Serendipity）、“新颖性”（Novelty）等，往往就是在人性揣测的方面进行探索。 这些指标计算时最大的难点是评价指标偏主观，很难直接使用在线行为计算。

谈谈个性化推荐系统的利弊都有哪些?

弊：可能的隐私问题。至于所谓的共性发现，这完全可以由非个性化的推荐系统来实现，不算是缺点。但是，分析每个用户的偏好等有可能导致用户的隐私担忧，尤其是当系统被不当使用时。

但是只靠非个性化推荐有个弊端，就是马太效应，点的人越多的，经过推荐点得人有更多。。强者越强，弱者机会越少就越弱，可能导致两级分化严重，一些比较优质素材就被埋没了。

其次，大数据技术的应用使得手机的推荐更加精准，大数据技术能够用于分析手机记录下来的海量数据，在其中发现规律并进行分析，最终形成一种算法，从而为我们推荐最能符合我们喜好的商品或内容。

如何评价推荐系统的结果质量

1、基尼系数用来评测马太效应的强弱的，如果 Gini1 是从初始用户行为中计算出的物品流行度的基尼系数，Gini2 是从推荐列表中计算出的物品流行度的基尼系数，如果 Gini2 Gini1 则说明推荐算法具有马太效应。

2、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。

3、NDCG首先要从CG（cumulative gain，累计增益）说起，CG可以用于评价基于打分/评分的个性推荐系统。假设我们推荐 个物品，这个推荐列表的 计算公式如下： 其中 表示第 个物品的相关性或者评分。

4、准确性：衡量结果或表现与实际情况的一致性。准确性是评估质量的核心。对于信息提供者来说，提供正确、可靠的信息是很重要的。对于机器学习模型或算法来说，准确性指的是输出结果与期望结果的匹配程度。

关于推荐系统的评价和推荐系统的评价指标MAE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。 推荐系统的评价的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于推荐系统的评价指标MAE、推荐系统的评价的信息别忘了在本站进行查找喔。