Recommender system

2020-03-01 185浏览

1.推荐系统徐翊鑫 51174500139 item/content-based collaborative filtering 詹心语 51174500153 user-based collaborative filtering 张锦 51174500155 Latent factor model 徐向阳 51174500138 冷启动惠自乐 51174500096 推荐系统的评价：灰色关联分析
2.引言随着信息技术和互联网的发展，人们逐渐从信息匮乏的时代走入了信息过载的时代。在这个时代，无论是信息消费者还是信息生产者都遇到了很大的挑战：作为信息消费者，如何从大量信息中找到自己感兴趣的信息是一件非常困难的事情；作为信息生产者，如何让自己生产的信息脱颖而出，受到广大用户的关注，也是一件非常困难的事情。推荐系统就是解决这一矛盾的重要工具。推荐系统的任务就是联系用户和信息，一方面帮助用户发现对自己有价值的信息，另一方面让信息能够展现在对它感兴趣的用户面前，从而实现信息消费者和信息生产者的双赢。
3.引言推荐系统的基本任务是联系用户和物品，解决信息过载的问题
4.Item-based Collaborative Filtering 51174500139 徐翊鑫
5.1. 简介
6.• 你喜欢的，别人就喜欢吗？有哪些人会喜欢？ • 绝大多数人喜欢的，你就会喜欢吗？
7.• 你喜欢看这部电影，那么很有可能你也喜欢和这个类似的电影。 • 你有一个口味相同的好朋友喜欢看这个电影，那么很有可能你也会喜欢 • 网易云音乐的推荐系统很贴心，仿佛知道我的音乐喜好
8.• 推荐系统应用数据分析技术，找出用户最可能喜欢的东西推荐给用户，现在很多电子商务网站都有这个应用。目前用的比较多、比较成熟的推荐算是协同过滤算法（ Collaborative Filtering ）其基本思想是根据用户之前的喜好以及其他兴趣相近的用户的选择来给用户推荐物品。
9.
10.2.Item-based CF • 基于用户对物品的偏好找到相似的物品，然后根据用户的历史偏好，推荐相似的物品给他。从计算的角度看，就是将所有用户对某个物品的偏好作为一个向量来计算物品之间的相似度，得到物品的相似物品后，根据用户历史的偏好预测当前用户还没有表示偏好的物品，计算得到一个排序的物品列表作为推荐。
11.• 如图，对于物品 A ，根据所有用户的历史偏好，喜欢物品 A 的用户都喜欢物品 C ，得出物品 A 和物品 C 比较相似，而用户 C 喜欢物品 A ，那么可以推断出用户 C 可能也喜欢物品 C
12.• 用 m×n 的矩阵表示用户对物品的喜好情况，用打分表示用户对物品的喜好程度，分数越高表示越喜欢这个物品， 0 表示没有买过该物品。 • CF 分为两个过程：预测和推荐。预测过程是预测用户对没有购买过的物品的可能打分值，推荐是根据预测阶段的结果推荐用户最可能喜欢的一个或几个物品。
13.
14.相似度 1. 基于余弦（ Cosine-based ）计算两个向量之间的夹角余弦值其中分子为两个向量的内积，即两个向量相同位置的数字相乘。
15.2. 基于关联（ Correlation-based ）计算两个向量之间的 Pears on-r 关联度其中 Ru,i 表示用户 u 对物品 i 的打分， Ri 表示第 i 个物品打分的平均值。
16.3. 调整的余弦（ Adjusted Cosine ）由于基于余弦的相似度计算没有考虑不同用户的打分情况，可能有的用户偏向于给高分，而有的用户偏向于给低分，该方法通过减去用户打分的平均值消除不同用户打分习惯的影响其中 Ru 表示用户 u 打分的平均值。
17.预测 1. 加权权求和权 : 对用户 u 已打分的物品的分数进行加权求和，权值为各个物品与物品 i 的相似度，然后对所有物品相似度的和求平均，计算得到用户 u 对物品 i 打分其中 ,Si,N 为物品 i 与物品 N 的相似度， Ru,N 为用户 u 对物品 N 的打分。
18.
19.2. 回归：加权求和的方法类似，但回归的方法不直接使用相似物品 N 的打分值，因为用余弦法或 Pearson 关联法计算相似度时存在一个误区，即两个打分向量可能相距比较远（欧氏距离），但有可能有很高的相似度。因为不同用户的打分习惯不同，有的偏向打高分，有的偏向打低分。如果两个用户都喜欢一样的物品，因为打分习惯不同，他们的欧式距离可能比较远，但他们应该有较高的相似度。在这种情况下用户原始的相似物品的打分值进行计算会造成糟糕的预测结果。通过用线性回归的方式重新估算一个新的值，运用上面同样的方法进行预测。重新计算 Run 的方法如下：其中物品 N 是物品 i 的相似物品， α 和 β 通过对物品 N 和 i 的打
20.3. 适用场景 • 适用范围：长尾物品丰富，用户个性化需求强烈的领域。对于一个在线网站，用户的数量往往大大超过物品的数量，同时物品的数据相对稳定，因此计算物品的相似度不但计算量较小，同时也不必频繁更新，此时适用 item-based CF 。 • 是指那些原来不受到重视的销量小但种类多的产品或服务由于总量巨大，累积起来的总收益超过主流产品的现象
21.
22.• 基本假设：用户会喜欢和他以前喜欢的东西相似的东西，那么我们可以计算一个用户喜欢的物品的自相似度。 • 自相似度大，就说明他喜欢的东西都是比较相似的，也就是说他比较基本假设，那么他对 Item CF 的适应度自然比较好 • 自相似度小，就说明这个用户的喜好习惯并不基本假设，那么对于这种用户，用 Item CF 方法做出好的推荐的可能性非常低。
23.4. 优缺点 • 优点：可以利用用户的历史行为给用户做推荐解释，可以令用户比较信服。比较适用在物品较少、物品更新速度不会很快、用户的兴趣比较固定和持久的情况下。 • 缺点：无法避免用户冷启动，需要等待用户接触物品后才给他推荐相关物品，没有办法在不离线更新物品相似度表的情况下将新物品推荐给用户。
24.User-Based Collaborative Filtering Algorithms 詹心语 51174500153
25.目录 基本思想 • 典型算法 • 算法改进 • 优缺点
26.User-Based Collaborative Filtering Algori thms 基本思想 • 思想当一个用户 A 需要个性化推荐时，可以先找到和他有相似兴趣的其他用户群体，然后把该群体感兴趣的、而用户 A 没有听说过的物品推荐给 A 。 • 步骤 1. 找出和目标用户兴趣相似度高的用权权集合。权权 2. 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权权用权权。
27.目录 • 基本思想 典型算法 • 算法改进 • 优缺点
28.User-Based Collaborative Filtering Algori thms 典型算法 K-Nearest Neighbors algorithm （ k- 最近邻算法） • 算法思想： 1. 输入一个评分数据集和待推荐用户 ID ，找出有相同偏好的用户（近邻）。 2. 对该用户没见过的每个产品 p ，利用近邻对 p 的评分计算该用户对 p 的预测值。 • 基本步骤 1. 建立用户模型 2. 寻找最近邻居 3. 产生推荐物品
29.User-Based Collaborative Filtering Algori thms 典型算法 KNN • 基本步骤 1. 建立用户模型协同过滤算法的输入数据通常表示为一个 m*n 的用户评价矩阵 R , （ m 为用户数），其中 rij 表示第 i 个用户对第 j 个物品的评分值。示例：
30.User-Based Collaborative Filtering Algori thms 典型算法 KNN • 基本步骤 2. 寻找最近邻居目标用户 a 产生一个以相似度 sim(a ， b) 递减排列的“ 邻居” 集合。该过程分两步完成： ① 首先计算用户之间的相似度，可采用 Pearson 相关系数、余弦相似度等度量方法； ② 近权权权权： (1) 选择相似度大于设定阈值的用户； (2) 选择相似度最大的前 k 个用户； (3) 选择相似度大于预定阈值的 k 个用户。 Pearson 相关系数相似度计算公式 :
31.User-Based Collaborative Filtering Algori thms 典型算法 KNN • 基本步骤 3. 产生推荐物品预测出目标用户对未评价物品的评分，然后选择预测评分最高的 top-n 项推荐给目标用户。预测评分计算公式：
32.User-Based Collaborative Filtering Algori thms 典型算法 KNN 物品 1 物品 2 物品 3 物品 4 物品 5 Alice 5 3 4 4 ? 用户 1 3 1 2 3 3 用户 2 4 3 4 3 5 用户 3 3 3 1 5 4 用户 4 1 5 5 2 1 Alice 和用户 1 的相似度计算如下（）同理，和用户 2 ， 3 ， 4 的相似度分别为 0.70 ， 0.00 和 -0.79 根据计算可得： Alice 与用户 1 和用户 2 的历史评分较为相似，因此，应该选择用户 1 和用户 2 作为近邻来预测 Alice 的评分
33.User-Based Collaborative Filtering Algori thms 典型算法 KNN 物品 1 物品 2 物品 3 物品 4 物品 5 Alice 5 3 4 4 ? 用户 1 3 1 2 3 3 用户 2 4 3 4 3 5 用户 3 3 3 1 5 4 用户 4 1 5 5 2 1 基于用户 1 和用户 2 的评分预测 Alice 对物品 5 的评分为：以此方法，可以计算出 Alice 对所有未曾见过的物品的预测，其中包括推荐列表中有最高预测值的那些物品。在本例中，把物品 5 放到列表中可能是一个很好的选择。
34.目录 • 基本思想 • 典型算法 算法改进 • 优缺点
35.User-Based Collaborative Filtering Algori thms 算法改进 1. 相似度算法 • 余弦相似度（ Cosine similarity ） • Pearson 相关系数（ Pearson correlation coefficient ） • Jaccard 系数（ Jaccard index ）
36.User-Based Collaborative Filtering Algori thms 算法改进：相似度算法 • 余弦相似度（ Cosine similarity ）在这种方法中，用户 A 、 B 对 n 个物品的评分被看作 n 维向量，通过两个向量夹角的余弦值来评估其相似性。（ ItemCF 效果更好） A B 余弦值越接近于 1 ，则越相似。
37.User-Based Collaborative Filtering Algori thms 算法改进：相似度算法 • Pearson 相关系数（ Pearson correlation coefficient ）皮尔逊相关系数是两个变量的协方差除以其标准偏差的乘积。值接近于 +1 ，则越相似。
38.User-Based Collaborative Filtering Algori thms 算法改进：相似度算法 • Jaccard 系数（ Jaccard index ）两个集合的交集除以两个集合的并集，所得的就是两个集合的相似度。 B 交集占比越大，相似度越高
39.User-Based Collaborative Filtering Algori thms 算法改进：赋权体系 • 反用权权权率（权 iuf ）：降低对广受欢迎的物品有同样看法的相对重要性 • 方差权重因子：提高具有高方差评分值物品（即争议物品）的作用 • 重要性赋权：基于线性化简相似度权值的方法 • 样本扩展：强调接近 +1 和 -1 的值，对原始数据乘以一个常量 ρ 来调整近邻的权值
40.目录 • 基本思想 • 典型算法 • 算法改进 优缺点
41.User-Based Collaborative Filtering Algori thms 基本思想 • 优点 1. 结果比较精确 2. 用户的都能从邻居用户的反馈评价中得益，只要每个用户为系统贡献一份力量，系统的性能就会越来与完善。 3. 容易挖掘出潜在兴趣。 • 缺点 1. 稀疏性 2. 不适用于用户量过大的场景
42.User-Based Collaborative Filtering Algori thms 优缺点 • 和 ItemCF 的对比 User CF Item CF 性能适用于用户较少的场合适用于物品数明显小于用户数的场合领域用户个性化兴趣不太明显的领域用户个性化需求强烈的领域权权性用户有新行为，不一定造成推荐结果的立即变化用户有新行为，一定会导致推荐结果的实时变化冷启动新用户对很少的物品产生行为后，不能立即对他进行个性化推荐，因为用户相似度表是每隔一段时间离线计算的新用户只要对一个物品产生行为，就可以给他推荐和该物品相关的其他物品新物品上线后一段时间，一旦有用户对物品产生行为，就可以将新物品推荐给和对它产生行为的用户兴趣相似的其他用户如果有新物品上线，则无法在不离线更新物品相似度表的情况下将新物品推荐给用户很难提供令用户信服的推荐解释利用用户的历史行为给用户做推荐解释，可以令用户比较信服推荐理由
43.Thanks
44.隐语义模型（ LFM ）张锦 51174500155
45.主要内容 • 算法比较 • 兴趣模型 • 模型参数学习过程 • 优缺点 • 改进
46.UserCF 目标用户兴趣相似的用户推荐相似用户喜欢物品
47.ItemCF 喜欢目标用户目标用户喜欢的物品推荐和前者相似的物品
48.1 如何给物品分类？ 2 如何确定用户对哪些类的物品感兴趣，以及感兴趣的程度？ 3 选择用户感兴趣的类里哪些物品推荐？ LFM 思想高跟鞋：化权权品：权确定用户兴趣属于哪些类及感兴趣程度从用户感兴趣的类下挑选出物品物品分类推荐
49.1 如何给物品分类 • 人工分类是否可行？ • 缺点 • 个人的意见不能代表各种用户的意见 • 分类的粒度很难控制（领域认知程度不同的用户可能需要不同的推荐粒度） • 一个物品可能属于多个类 • 很难决定物品在某个分类中的权重
50.1 如何给物品分类 • 我们可不可以从数据出发，自动地找到那些类，然后进行个性化推荐？采取基于用户行为统计的自动隐含语义分析技术聚类（隐类），可以较好地解决人工分类的问题
51.2 计算兴趣模型 • 计算用户 u 对物品 i 兴趣的公式： • 其中和是模型的参数，其中度量了用户 u 的兴趣和第 k 个隐类的关系，而度量了第 k 个隐类和物品 i 之间的关系。如何计算这两个参数？
52.求解流程系统学习目标参数模型公式训练集 • 如何获得用户喜欢或不喜欢一个物品的数据？推荐系统的用户行为分为：显性反馈 --- （例如评分）隐性反馈 --- 只有正样本，没有负样本（仅知道用户对什么感兴趣，不知道他们不感兴趣的物品） • 在隐性反馈数据集上应用 LFM 解决 TopN 推荐的第一个关键问题就是如何给每个用户生成负样本？用户 u 对物品 i 的兴趣
53.采样 --- 生成负样本 • 对负样本采样时应该遵循以下原则： • 权对每个用户，要保证正负样本的平衡（数目相似）。 • 权对每个用户采样负样本时，要选取那些很热门，而用户却没有行为的物品。
54.构建损失函数 • 经过采样，可以得到一个用户物品集 • 然后，需要优化如下的损失函数来找到最合适的参数 p 和 q （ lambda 是为了防止过拟合的正则化项 , ， λ 可以通过实验获得）
55.最小化损失函数 • 随机梯度下降法 • （ 1 ）求参数的偏导数找到最速下降方向 • （ 2 ）通过迭代法不断优化参数目标参数模型公式用户 u 对物品 i 的兴趣
56.LFM 优缺点 • 优点 • 具有比较好的理论基础，通过优化一个设定的指标建立最优的模型 • 缺点 • 很难进行实时的推荐 • 如何改进？
57.改进的 LFM • 雅虎首页的个性化实时推荐解决方案简述 • （ 1 ）计算新闻 i 的内容特征向量 Yi • （ 2 ）利用公式预测用户 u 是否会点击新闻 i • 而 pu 、 qi 是根据实时拿到的用户最近几小时的行为训练 LFM 获得的。因此，对于一个新加入的物品 i ，可以通过估计用户 u 对物品 i 的兴趣，然后经过几个小时后，就可以通过得到更加准确的预测值。
58.冷启动徐向阳 51174500138
59.冷启动问题简介推荐系统需要根据用户的历史行为和兴趣预测用户未来的行为和兴趣，因此大量的用户行为数据就成为推荐系统的重要组成部分和先决条件。对于很多像淘宝、京东这样的网站来说，这或许不是个问题，因为它们已经积累了大量的用户数据。但是对于很多做纯粹推荐系统的网站，或者很多在开始阶段就希望有个性化推荐应用的网站来说，如何在没有大量用户数据的情况下设计个性化推荐系统，并且让用户对推荐结果满意从而愿意使用推荐系统，就是冷启动的问题。
60.冷启动问题形成的原因我们以用户对歌曲的推荐为例进行阐述，表 1 是用户对歌曲评分数据的一个矩阵。
61.冷启动问题形成的原因对表 1 中的数据使用 co-filtering 推荐算法，系统查找到用户 Alice 、 Kevin 和 Tom 具有相似的兴趣爱好，因为他们对后 3 首歌曲的评分一致，那么系统就会推荐 Red 这首歌曲给 Tom ，因为与其兴趣偏好相似的 Alice 和 Kevin 对这首歌曲评分很高。
62.冷启动问题形成的原因
63.1.1 冷启动问题的分类 ☞ 用户冷启动：如何给新用户做个性化推荐。 ☞ 物品冷启动：如何将新的物品推荐给可能对它感兴趣的用户。 ☞ 系统冷启动：如何在一个新开发的系统上（没有用户、没有历史行为数据，只有少数物品信息）设计个性化推荐系统。
64.1.2 冷启动问题的解决方案 ① 提供非个性化的推荐：热门排行榜，当用户数据收集到一定程度的时候，再切换为个性化推荐。 ② 利用用户注册时提供的年龄、性别等数据做粗粒度的个性化。 ③ 利用用户的社交网络帐号登录，导入用户在社交网站上的好友信息，然后给用户推荐其好友喜欢的物品。
65.1.2 冷启动问题的解决方案 ④ 要求用户在登录时对一些物品进行反馈，收集用户对这些物品的兴趣信息，然后给用户推荐些和这些物品相似的物品。 ⑤ 对于新加入的物品，可以利用内容信息将它们推荐给喜欢过和它们相似的物品的用户。 ⑥ 在系统冷启动时，可以引入专家的知识，通过一定的高效方式迅速建立起物品的相关度表。
66.2. 利用用户注册信息用户的注册信息分 3 中： ☞ 人口统计学信息 ☞ 用户兴趣的描述 ☞ 从其他网站导入的用户站外行为数据
67.2. 利用用户注册信息基于注册信息的个性化推荐流程基本如下： ① 权取注册信息 ② 根据用户的注册信息对用户分类 ③ 权用权权推荐他所属分权权权权权权权中用权权权喜权权的物品权权（性权权、年权权权、权权权等也可以权权权权权合推荐）权权权
68.2. 利用用户注册信息基于用户注册信息的推荐算法其核心问题是计算每种特征的用户喜欢的物品，也就是说，对于每种特征，计算具有这种特征的用户对各个物品的喜好程度。是指物品在具有的特征的用户中的热门程度。是喜欢物品的用户集合，是具有特征的用户集合。
69.2. 利用用户注册信息上面这种定义可以比较准确地预测具有某种特征的用户是否喜欢某个物品。但在这种定义下，往往热门的物品会在各种特征的用户中都具有比较高的权重。也就是说具有比较高的的物品会在每一类用户中都有比较高的，但推荐系统应该帮助用户发现他们不容易发现的物品。
70.2. 利用用户注册信息因此可以将定义为喜欢物品的用户中具有特征的比例。其中分母中使用 α 的目的是解决数据稀疏问题。比如有一个物品只被 1 个用户喜欢过，而这个用户刚好就有特征，那么就有 =1 。这种情况并没有统计意义，因此我们为分母加上一个比较大的数，可以避免这样的物品产生比较大的权重。
71.2. 利用用户注册信息 Lastfm 数据集包含了人口权计学信息，包括用权权权权权权权权权权的性权权权、年权权权和国籍。下权权权权图给出了该数据集中用户年龄的分布：该数据集中 20 ～ 25 岁的用户占了绝大多数比例。
72.2. 利用用户注册信息下图给出了 Lastfm 数据集中用户国家的分布：该数据集中美国、德国和英国的用权权占了权权权大多数比例。权权权权权
73.3. 选择合适的物品启动用户的兴趣解决用户冷启动的另一个方法是在新用户第一次访问推荐系统时，不立即给用户展示推荐结果，而是给用户提供一些物品，让用户反馈他们对这些物品的兴趣，然后根据用户反馈提供个性化推荐。一般来说，能够用来启动用户兴趣的物品需要具有如下特征： ① 比权权权权。 ② 具有代表性和区分性：不能是大众化和老少皆宜的，因为这样的物品对用户的兴趣没有区分性。 ③ 启动物品集合需要有多样性：在冷启动时，我们不知道用户的兴趣，用户兴趣的可能性非常多。
74.3. 选择合适的物品启动用户的兴趣题。如何设计一个选择启动物品集合的系统：用一个决策树解决问首先，给定一群用户，用这群用户对物品评分的方差度量这群用户兴趣的一致程度。如果方差很大，说明这群用户的兴趣不太一致，也就是物品具有比较大的区分度；反之则说明这群用户的兴趣比较一致。
75.3. 选择合适的物品启动用户的兴趣用如下公式度量一个物品的区分度：是喜权权物品的用权权权权权集合，是不喜权权权权权权权物品的用权权权权权集合，是没有权权权权权权权物品权权分的用权权集合。权权是喜欢物品的用户对其他物品评分的方差，是不喜欢物品的用户对其他物品评分的方差，是没有对物品评分的用户对其他物品评分的方差。
76.3. 选择合适的物品启动用户的兴趣对于物品，将用户分为 3 类——喜欢物品的用户，不喜欢物品的用户和不知道物品的用户。如果这 3 类用户集合内的用户对其他物品兴趣很不一致，说明物品具有较高的区分度。算法首先从所有用户中找到具有最高区分度的物品，然后将用户分成 3 类。然后在每类用户中再找到最具区分度的物品，然后将每一类用户又各自分为 3 类，也就是将总用户分为 9 类，然后继续这样下去，最终可以通过对一系列物品的看法将用户进行分类。
77.3. 选择合适的物品启动用户的兴趣通过一个简单的例子解释算法：
78.
79.4. 利用物品的内容信息物品冷启动需要解决的问题是如何将新加入的物品推荐给对它感兴趣的用户。在某些时效性要求比较高的网站或者 APP 中，物品冷启动问题需要特别重视。在前面两种推荐算法中， UserCF 算法对于物品的冷启动问题并不是十分敏感，然而在 ItemCF 算法中，物品的冷启动问题就比较突出。
80.4. 利用物品的内容信息对于这种情况，我们可以利用物品的内容信息来计算物品之间的相似度。物品内容信息的种类很多，物品类型不同，内容信息也不同。常见物品的内容信息
81.4. 利用物品的内容信息一般物品内容信息可以通过向量空间模型来表示，该模型会将物品表示为一个关键词向量，对于某种物品 d ，它的关键词向量可以表示为：其中，就是关键词，是关键词对应的权重。
82.4. 利用物品的内容信息在给定物品内容的关键词向量后，物品的内容相似度可以通过向量之间的余弦相似度进行计算：获得物品内容相似度后，就可以通过 ItemCF 算法的思想，为用户推荐与其感兴趣的物品相似的物品，从而减少物品冷启动对个性化推荐的影响。
83.4. 利用物品的内容信息在具体计算物品之间的内容相似度时，最简单的方法是对两两物品都利用上面的余弦相似度公式计算相似度： D 是文档集合。
84.4. 利用物品的内容信息但上述算法的时间复杂度很高。假设有个物品，每个物品平均由个实体表示，那么这个算法的复杂度是。实际应用中，可以首先通过建立关键词—物品的倒排表加速这一计算过程：
85.4. 利用物品的内容信息得到物品的相似度之后，可以利用 ItemCF 算法的思想，给用户推荐和他历史上喜欢的物品内容相似的物品。
86.5. 发挥专家的作用很多推荐系统在建立时，既没有用户的行为数据，也没有充足的物品内容信息来计算准确的物品相似度。那么，为了在推荐系统建立时就让用户得到比较好的体验，很多系统都利用专家进行标注。例： Pandora （一个给用户播放音乐的个性化电台应用）使用了 400 多个特征（基因）标注所有的歌曲，标注后每首歌都可以表示为一个 400 维的向量，然后通过向量相似度算法可以计算出歌曲的相似度。
87.推荐系统的评价：灰色关联分析 Recommend SystemEvaluation:Grey Correlatio n Analysis. 惠自乐 51174500096
88.主要内容 • 推荐系统评价标准 • 推荐系统评价方法 • 灰色关联分析原理 • 灰色关联分析步骤 • 灰度关联分析优缺点
89.推荐系统评价标准 • 准确性 • 使用户满意的能力 • 使用户提供者的能力
90.准确性 • 定义：满足个人用户信息需求的能力。 • 作用：对一个好的推荐系统贡献最大。 • 权价：推荐权权权用权权的权权目相权权权性越多，不相权权权权权权权条目越少，它就越权权权权权权准确。
91.用户满意度思考一个问题：提供最相关的项目的系统，就是满足用户的需求？ • 权外的因素影响用权权权权意度：意外权权权权权权权（权权我一些惊喜）、等待权权权权权权权推荐的时间、个体特点对待同一种推荐的不同反应（如年龄等）、商业化的因素（对是否 VIP 提供区别服务）等。
92.提供者满意度 • 供应商低成本：权权权力、磁权权权权存权权、内存、权 CPU 权权功率和流量 • 出版商高利润：推荐利润率高的产品（与用户满意度矛盾）用户较长活动时间：推荐时间较长的文章，视频等
93.通用情况：在三个因素之间的权衡 • 聚权会极大地减少运行权权权权权权权权权权权，从而降低成本，但也会降低准确性权权权权权权权权权权权权权权权 • 当主要目标是产生收入时，用户满意度可能会受到影响 • 用户满意度永远不会太低，因为用户可能会完全忽略这些建议。
94.推荐系统评价存在的问题 • 准确性、用户满意度和提供者满意度三个特性如何被量化和比较？ • 除了很容易量化的量，如运行时间、成本和收入等，为了测量推荐人的准确性和测量用户满意度，常用的有三种评价方法 : 用户研究、在线评价和离线评价
95.用户研究 • 用户对算法的平均推荐率。
96.在线评估 • 用户使用真实世界的系统时，系统观察用户接受推荐的频率。验收通常是通过点击率 (CTR) 来衡量的，即点击推荐的比率。
97.离线评估 • 使用一个从中删除了一些信息的预编译离线数据集。 • 用推荐算法对此数据集进行分析。 • 最后，观察推荐算法推荐被删除的信息的比率。
98.三种评估方法谁是最合适的仍存在争论 • 通常，离线评估被认为最适合于预先选择一组有前途的算法，这些算法随后在在线评估或用户研究中继续进行评估。
99.用户满意度的一种方法介绍灰色关联分析用灰色关联分析方法对不同推荐系统中各种指标的用户满意度进行综合分析，并确定那种推荐系统最好。
100.灰色关联分析原理 • 对于两个系统之间的因素，其随时间或不同对象而变化的关联性大小的量度，称为关联度。 • 在系统发展过程中，若两个因素变化的趋势具有一致性，即同步变化程度较高，即可谓二者关联程度较高；反之，则较低。 • 灰色权权权法，是根据因素之权权权权权权权权权权展权权权的相似或相异程度，亦即权权权权权权权权权权 “灰色关联度”，作为衡量因素间关联程度的一种方法。
101.灰色关联分析原理 • 灰色系统理论提出了对各子系统进行灰色关联度分析的概念，意图透过一定的方法，去寻求系统中各子系统（或因素）之间的数值关系。 • 因此，灰色关联度分析对于一个系统发展变化态势提供了量化的度量，非常适合动态历程分析。
102.灰色关联分析步骤（ 1 ）确定参考序列设 i 第 i 个评价单元 ( 如企业、网站、个人 ) 的序号， i权1,2,权,m;j 权第 j 个评价指权的序号，j权1,2,权n 。 Vij 即权权第i 个评价单元的第 j 个指标的评价值。则包括了 m 个评价单元， n 个评价指标的评价系统，组成以下的比较序列 : 取每个指权权权价权权果中的最权权V权0j 权权权成参考序列 V0
103.灰色关联分析步骤 (2) 对变量序列进行归一化原始数据具有不同的量纲或数量级，通过归一化将不同量纲或数量级的数据处理后，能够保证分析的有效进行和结果的可靠性。通常用初值法对原始数据进行归一化处理，归一化公式为 : V0J 通常是参考序列 V0权(V01,V02,L,V0n) 的最优值。
104.灰色关联分析步骤 (2) 对变量序列进行归一化进行归一化处理后，得到归一化处理后的比较序列矩阵 : 归一化处理后的参考序列为 :
105.灰色关联分析步骤 (3) 计算关联系数矩阵首先计算比较序列的差序列，差序列计算公式为 : 计算得到差序列矩阵 :
106.灰色关联分析步骤 (3) 计算关联系数矩阵计算关联系数，关联系数的计算公式为 : 式中， min 权、 max权分别是矩阵权权而中数值的最小差值和最大差值 ; 是分辨系数，权权。根据经验，通常情况下权权的取值为权权权 0.5 权
107.灰色关联分析步骤 (3) 计算关联系数矩阵利用公式计算矩阵中，得到关联系数矩阵 : 为第 i 个评价单元的第 j 个指标与第 j 个最优指标的关联系数。
108.灰色关联分析步骤 (4) 确定各指标权重层次分析法 (AHP) 是确定各评价指标权重的重要方法。通过层次分析法得到各指标权重。各指标权重为 : 表示各一级指标权重。式中 : ， k 表示一级指标的个数。其中 Wih 表示示第 i 个一级指标所属第 h 个二级指标的权重。式中，权，其中 h 表示第 i 个一级指标所属的二级指标的个数。
109.灰色关联分析步骤 (5) 计算单层次的关联度各层次一级指标关联度的计算公式为 :
110.灰色关联分析步骤 (6) 计算整体关联度并排序。整体关联度计算公式为 : 依据关联度 Ri' 的大小进行排序，关联度的大小即为优劣次序。
111.灰度关联分析优缺点 •权点 • 具有比较好的理论基础，可以一定程度反映推荐系统的优劣 • 灰色关联度法对于一个系统发展变化态势提供了量化的度量，非常适合动态 (Dynamic) 的历程分析。 • 缺点 • 该方法的可以有多大程度反应推荐系统的优劣，有多大参考价值未确定。