推荐系统简介

一：推荐系统的分类

基于数据源的分类

1.基于人口统计学的推荐（用户）

2.基于内容的推荐（物品）

3.基于协同过滤的推荐（行为）

二：推荐算法简介

1.基于人口统计学的推荐

2.基于内容的推荐

3.基于协同过滤的推荐

3.1基于用户的协同过滤推荐算法

3.2基于物品的协同过滤推荐算法 

4.混合推荐

三：推荐系统的评测

1.很多网站都有让用户给物品打分的功能，如果知道用户对物品的历史评分，就可以从中学习一个兴趣模型，从而预测用户对新物品的评分

2.预测的准确度一般用均方根误差（RMSE）或平均绝对误差（MAE）计算

RMSE

是预测值与实际值偏差的平方和与观测次数T比值的平方根

MAE

是绝对误差的平均值

3.Top-N推荐
网站提供推荐服务时，一般是给用户一个个性化的推荐列表，这种推荐叫做Top-N推荐;
Top-N推荐的预测准确率一般用精确率（precision）和召回率（recall）来度量;

TP：样本为正，预测结果为正；

FP：样本为负，预测结果为正；

TN：样本为负，预测结果为负；

FN：样本为正，预测结果为负。

准确率、精准率和召回率的计算公式如下：

准确率（accuracy）： (TP + TN )/( TP + FP + TN + FN)

精准率（precision）：TP / (TP + FP)，正确预测为正占全部预测为正的比例

召回率（recall）： TP / (TP + FN)，正确预测为正占全部正样本的比例