评测指标是衡量推荐系统优劣的数据支持,目前应用广泛的有:点击率、转化率、精准率、召回率、F1值、覆盖率、多样性等等。不同的指标衡量的标准和目的是不一样的...今天就来介绍一下覆盖率和多样性是如何计算和应用的。
更多推荐系统资源,请参考——《推荐系统那点事儿》
如何评价推荐系统的优劣,可以通过推荐的内容覆盖率来衡量。当然它并不是唯一的准则....覆盖率顾名思义就是推荐商品占整个推荐池的比例,它描述了一个推荐系统对长尾商品的挖掘能力(推荐池即你想推荐的商品池子,由于大部分电商都有一些脏数据或者自己定义了推荐数据的来源,因此才会出现自己的推荐池。)。
然后我们应用了一些算法,得到了推荐结果。那么试想一下,你的推荐系统作用是什么?
上面两种场景,第二种或许才是大家期望的吧。如果推荐系统的覆盖率是100%,就意味着任何的商品内容都有可能出现在用户面前;而如果覆盖率只有10%,那么就意味着只能推荐十分之一的商品给用户,推荐的内容就太狭窄了。
然而覆盖率只能说明商品的种类问题,不能说明每种商品的出场频率
。因此就需要额外的指标来说明了——基尼系数。
基尼系数描述的是物品流行度的分布趋势,流行度按照《推荐系统实践》作者项亮的解释,就是人与物品发生交互的连接数,我这边就把它定义为点击数了。
按照基尼系数的定义,有这样一个分布图:
点击次数 | 个数 |
---|---|
1 | 30w |
2 | 20w |
... | ... |
400 | 2 |
520 | 1 |
然后分别格式化点击次数和个数,我这边有个思路就是给每一列增加一个行号:
点击次数 | 个数 | 行号 |
---|---|---|
1 | 30w | 101 |
2 | 20w | 100 |
... | ... | ... |
400 | 2 | 2 |
520 | 1 | 1 |
然后对行号除以10,给他分成十组:
点击次数 | 个数 | 行号 |
---|---|---|
1 | 30w | 10 |
2 | 20w | 10 |
... | ... | ... |
400 | 2 | 1 |
520 | 1 | 1 |
再累加个数,就把数据平均的分到了十个桶中,类似bucket统计。Y轴则直接除以最大值即可,这样把X轴和Y轴都归一化到0-1之间即可,然后应用上面的公式就能计算出对应的基尼系数。
得到归一化后的值就很好计算了 :
select 1-((sum(c2)*2+1)/10) from t
最终就能得到对应的基尼系数。
推荐系统如果想要用好基尼系数,需要搜集一个原始的用户行为的基尼系数值G1,以及推荐系统后用户点击的基尼系数值G2。如果G2>G1,就说明推荐系统让热销更热销,而长尾更冷门....我们就需要调整推荐算法,增加商品的覆盖率,改善商品的推荐分布了。