跟着移动互联网的飞速成长， *** 中的信息量呈指数式增长，大量的商品、资讯、常识、视频、音乐等内容和资源可供用户选择，信息过载问题日益突出。

而推荐系统是办理信息过载最有效的 *** ，因此，基于大数据的推荐系统已经成为了移动互联网的研究热点。

其实推荐系统在上世纪末就已经呈现了，亚马逊在1998年就通过基于ITEM的协同过滤技能，为数百万客户提供商品选购发起。而学术界对付推荐系统的研究也一直在举办着。

固然跟着云计较、大数据、人工智能等新兴科技的成长，算力、数据和算法的晋升，使推荐系统的机能越来越好，但针对推荐系统的评价体系则根基保持了不变，只是各项指标的精度在不绝晋升。

相识推荐系统，可以从认识推荐系统的评价指标开始，主要包罗以下十点：

一、用户满足度

用户作为推荐系统的重要参加者，其满足度是评测推荐系统的最重要指标。

有时，互联网企业会通过调盘查卷的 *** ，可能是简朴的满足或不满足的按钮，来得到用户的满足度反馈。

但更多的时候，用户满足度是通过对用户某些行为的统计举办量化阐明后计较出来的。好比在移动电商应用中，用户假如购置了推荐的商品，就暗示他们在必然水平上满足系统的推荐功效，而购置转化率就可以用于怀抱用户的满足度。

另外，点击率、分享率、保藏率、逗留时间等指标，也都大概在怀抱用户满足度方面具备必然的权重。

二、预测精确度

预测精确度只是平常的名称，详细要看你但愿预测什么内容，譬喻预测用户对系统推荐的影戏的观后评分？

或是预测系统推荐的歌曲列表中，用户最终选择了几首插手到了他的歌单？

但总体来说，预测精确度是怀抱一个推荐系统可能推荐算法在预测用户行为的精确性方面最重要的指标。

提高预测精确度凡是依赖于算法和模子精度的晋升，所以更具备学术层面的研究代价。大数据、呆板进修等热门技能，与预测精确度之间的干系极为密切，互相之间相互促进，技能的成长敦促了预测精确度的晋升，而好像永无尽头的对预测精确度的晋升需求，也发动了技能层面的不绝投入。

三、包围率

包围率用来描写一个推荐系统对长尾内容或商品的掘客本领。

关于包围率的界说，最简朴的领略是推荐系统可以或许推荐出来的物品，占平台中全部物品的比例。

以图文内容推荐为例，自媒体作者大概会很体贴他们的内容有没有被推荐给读者，而对付包围率到达100%的推荐系统，则意味着每篇内容都被推荐给了至少一个用户；但这对付仅提供热门文章排行榜的系统来说。

譬喻一些大学论坛的首页大概只显示逐日十大文章，这样的推荐系统，它的包围率是很低的。因为它只会推荐那些被大量阅读的文章，而这些文章在所有文章中的占比很是小。

四、多样性

用户的乐趣长短常遍及的，在一个视频应用中，用户大概既喜欢看烧脑影戏，也喜欢看行动大片。

那么，为了满意用户遍及的乐趣，推荐列表需要可以或许包围用户差异的乐趣规模，即推荐功效需要具有多样性。

想晋升推荐系统的多样性，就需要在较大的时间跨度上去识别和领略用户的乐趣。

五、新颖性

所谓新颖，就是指给用户推荐那些他们以前没有传闻过的内容或商品，譬喻在视频应用中应该尽大概多地向用户推荐他们没有看过的影戏。

而思量到许多用户在某个应用中的利用粘性大概并不高，譬喻一个用户大概同时是多个视频应用的用户，所以仅仅依靠用户在本身系统中的行为记录来担保推荐的新颖性是不足的。

除此之外较量简朴要领是基于内容或商品的平均风行度去举办推荐，因为越不热门的对象越大概让用户以为新颖。

不外，向用户推荐不风行的内容或商品，其实是牺牲了必然的推荐精度的，所以我们需要衡量该指标与其它指标之间的均衡——这不只在于技能层面的考量，大概也在于贸易层面的考量。

六、惊喜度

所谓惊喜度，简朴的表明就是：假如推荐功效和用户的汗青乐趣不相似，但却可以或许让用户以为满足，那么就可以说推荐功效的惊喜度很高。

想要分身推荐系统的惊喜度并不是一件容易的工作，因为这意味着需要低落推荐功效和用户汗青乐趣的相似度，所以大概会对预测精确度带来必然的挑战。

但毫无疑问，用户需要惊喜，这会极大晋升用户的满足度和利用体验，所以推荐系统对惊喜度的追求只会不绝提高，且还需要在不影响预测精确度的前提下来实现。

七、信任度

所谓信任度，是指：用户对推荐系统是否信任，是否愿意“听取”推荐系统的“发起”，而不是险些无视推荐频道或推荐列表的存在。