第三章 混合推荐系统和推荐系统评价标准

一、学习目标

1.学习推荐系统的集成学习

2.认识各种对推荐系统的评价指标

二、混合推荐方法

        相当于是将集成学习应用到推荐系统中，这样能提高系统的性能：

1.并行混合设计

        与机器学习中的集成学习类似，使用加权方法或者投票方法对权衡各个推荐系统的重要性。

a）加权式

        在加权式的并行混合设计中，如何设计权重是关键，可以采用以下方法：

b）切换式

        切换的思想，就是从多个推荐系统中选择一个作输出，其他的忽略，于是关键在于要设计一个规则来决定推荐器的使用：

c）混合式

        最简单的方法，由于推荐器的数量就不多，将所有推荐器的结果都展示出来，让用户自行决定：

例如：

2.流水线式混合设计

三、推荐系统评价指标

        根据是否使用数据集分为两种：

        显然，线上评价更反映实际情况，但指标不统一、消耗的金钱和时间更多。离线评价是我们下面主要讲的。

1.评分预测

        将推荐系统任务看成一个分类任务，对比预测的商品的分数和真实数据集标注的分数的差距来评判：

        好处：有数据集就能计算结果；坏处：两个指标的数值不能直观表明一个推荐系统的优劣，只能用于对比两个推荐系统的好坏。

2.top-N任务的PRF1

        由于推荐系统只是推荐最优的n个商品，显然不用计算分数，只需要统计命中（Hit）的商品项就行。于是可以使用正确率P、召回率R和F1值来作评价指标：

 3.关注排序的评价指标

        由于推荐系统推荐商品，如果第一个很对，那么后面的商品意义不大。所以排序对推荐系统的评价结果很关键。

        相关的指标有Rank Score，nDCG和平均正确率。

a）Rank Score

        Rank Score的例子：

b）nDCG

        例子：

c）平均正确率

 四、总结

        混合推荐系统可以理解成集成学习应用到推荐系统中。而推荐系统的评价指标与正常的机器学习指标不同，需要额外记忆。