编辑导语：许多人城市有这样的经验，在 *** 刚搜了一个商品后，推荐里就会呈现大部门雷同的商品；可能你购置了一个商品后，会瞥见此商品配件的推荐；这就是推荐系统，推荐系统是如何举办评估？怎么评估才不会引起用户的不适？本文对此举办了具体的先容，我们一起来看一下。

对付当下的互联网产物，无论是主流或非主流，随处都能看到推荐系统的应用场景。

好比，当你在 *** 下单购置了一台iPhone 11，购置完成页下方立即就会给你推荐诸如「全新AirPods Pro」、「Apple Watch 5」等相关商品；再好比，当你在豆瓣上标志了想看热门悬疑网剧《隐秘的角落》，在茅厕刷抖音的时候，大概就会看到《无证之罪》、《轮到你了》、《白夜追凶》等等相似剧集的出色片断；推荐系统这只无形的「大手」已经把我们布置的明大白白了。

推荐系统的强大毋庸置疑，并且我们常常会把它看作是一个神秘的黑箱子，会将其与多种巨大的技能术语相关联，好比“大数据”、“人工智能”、“呆板进修”等等，进而认为推荐系统的优劣，就是对用户偏好预测的精准与否；然而，不久前完成的一个研究课题，冲破了这个认知误区。

一、推荐系统的本质

面临这个课题，首先需要答复的就是：如何界说推荐系统的优劣？

其实，这个问题有一种最切合直觉的谜底，即越能精准预测用户需求的推荐系统就是好的；乍一看，这个谜底险些没什么问题，然而，精准预测只是一个好的推荐系统的须要条件。

那毕竟什么才是「好」？要答复这个问题，我们需要先相识推荐系统的本质。

推荐系统（Recommend System）的研究由来已久，这一观念初次被提及，是在1990年哥伦比亚大学研究者Jussi Karlgren的著作中，直到1994年才成为一个相对独立的研究规模；固然这一规模已经有30年的研究沉淀，但业内对推荐系统的界说仍未告竣一致，不外密歇根大学的研究者Resnick和Varian在1997年提出了一个较为公认的界说：“推荐系统是操作电子商务网站向顾主提供商品信息和发起，辅佐用户抉择应该购置什么产物，模仿销售人员辅佐客户完成购置进程”。

以上这段描写反应了推荐系统最本质的三个问题：

如何精准的预测用户的需求？

如何全面细致地描写网站上的信息？

如何给用户推荐最适合的信息？

“预测用户”&“描写信息”主要是依赖技能团队的算法，并且业内涵该方面的研究相比拟力成熟。

今朝常用的预测技能包罗：基于内容的推荐、协同过滤推荐、基于常识的推荐、基于 *** 布局的推荐、组合推荐及其他推荐等等，由于技能难度较硬核，在此不做展开。

在确保预测精准及全面描写的基本上，即是“推荐”更符合的信息给用户了，但什么是更符合的？这个评判的标尺就拿捏在用户的手上。

二、推荐系统的评估维度

接下来就是关于如何评估推荐系统的优劣，业内普遍认为，推荐系统的评估涉及两大领域的维度：精确度（Accuracy）和可用性（Usefulness）。

个中，精确度暗示推荐系统预测用户行为的本领，主要按照离线尝试的 *** 来评估；可用性更多反应的是用户的主观体验，常见的评估指标包罗多样性（Diversity）、新颖性（Novelty）、惊喜度（Serendipity）、信任度（Trust）及及时性（Utility）等。

1. 多样性（Diversity）

多样性是指每条推荐信息的两两不相似水平，假如推荐功效过于单一，势必会让用户失去不绝欣赏的乐趣；而纯真的增加多样性并不算难，挑战主要在于如何增加推荐信息多样化的同时，又可以担保功效切适用户的「口胃」。

2. 新颖性（Novelty）

新颖性是指推荐功效中呈现的用户以往没看到的信息，晋升新颖性最常用的步伐是按照平均风行度来推荐，把风行度较低的信息提供应用户，会增加其新颖性感知。

可是，一味晋升新颖性也未必会增加用户满足度，同样需要在确保精准性的前提下举办。

3. 惊喜度（Serendipity）

之所以会把惊喜度作为一个指标，纳入推荐系统评估的体系中，是为了权衡推荐系统办理如下问题的本领：用户面临之前他们已经碰着的推荐功效，他们变得越来越厌烦，推荐系统需要提供让用户感想既新奇又有吸引力的信息。

「惊喜」与「新颖」在中文语境中有些相似，但在此处并不沟通，笔者通过以下示例来做说明。

好比，你平时会用网易云音乐来听歌，较量喜欢周杰伦、林豪杰这类R&B歌手，险些听遍了他们专辑中的所有歌曲；假如系统给你推荐了《夏天的风》这首歌，并且你之前没听过，可是当你看了这首歌的封面，发明是周杰伦创作的，充其量也就会感受还较量新颖，但未必会有惊喜的感受；假如系统给你推荐了一首从创作、演唱到曲风完全差异于以往听过的R&B的歌曲，但你听完之后发明很喜欢，那这时候你就不但以为新颖，更会有一种惊喜的感受。

4. 信任度（Trust）