1.1 什麼是推薦系統

在使用者沒有明確需求時，幫助他們發現感興趣的新內容。

推薦演算法的本質是通過一定的方式將使用者和物品聯絡起來，而不同的推薦系統利用了不同的方式。

1.2 個性化推薦系統的應用

個性化推薦系統需要依賴使用者的行為資料。

儘管不同的網站使用不同的推薦系統技術，但總地來說，幾乎所有的推薦系統應用都是由前臺的展示頁面、後臺的日誌系統以及推薦算法系統3部分構成。

常見的應用有：電子商務、電影/視訊網站、個性化閱讀、短視訊等。

1.3 推薦系統評測

 準確的預測並不代表好的推薦。比如說，該使用者早 就準備買《C++ Primer中文版》了，無論是否給他推薦，他都準備購買，那麼這個推薦結果顯然是不好的，因為它並未使使用者購買更多的書，而僅僅是方便使用者購買一本他本來就準備買的書。 那麼，對於使用者來說，他會覺得這個推薦結果很不新穎，不能令他驚喜。同時，對於《C++ Primer 中文版》的出版社來說，這個推薦也沒能增加這本書的潛在購買人數。

1.3.1 推薦系統實驗方法

三種評測推薦效果的實驗方法：離線實驗、線上實驗和使用者反饋

離線實驗：

(1) 通過日誌系統獲得使用者行為資料，並按照一定格式生成一個標準的資料集;

(2) 將資料集按照一定的規則分成訓練集和測試集;

(3) 在訓練集上訓練使用者興趣模型，在測試集上進行預測;

(4) 通過事先定義的離線指標評測演算法在測試集上的預測結果。

線上實驗：

AB測試是一種線上的分組測試方法。並對不同組的使用者採用不同的演算法，然後通過統計不同組使用者的各種不同的評測指標比較不同算 法，比如可以統計不同組使用者的點選率，通過點選率比較不同演算法的效能。

使用者反饋：

1.3.2 評測指標

1. 使用者滿意度

2. 預測準確度

3. 覆蓋率

4. 多樣性

5. 新穎性

6. 實時性

1.3.3 評測維度

使用者維度：活躍度、新使用者等

物品維度：物品屬性，新物品等

時間維度：季節、假期、週末等