问现代推荐引擎有多好？

EN

你其实是在问一个很有趣的问题。学术界对以下问题仍存在激烈的争论：(1)一个“好”的推荐甚至意味着什么；( b)用于预测准确性的度量标准以及其他评价措施。

你问：

平均推荐系统和最佳推荐系统大致具有什么样的推荐质量？

答案是-它取决于许多不同的事情。简单地说，对于推荐系统没有真正一致的“平均”或“最佳”，但您可能会找到特定推荐系统的基准--比如电影推荐系统。

为了给你提供更多的背景：

用均方误差作为预测精度的衡量标准。例如，给定一组物品(面包、牛奶、咖啡、橙汁)，系统能多好地预测我对这些物品的评级，或者它能多好地预测我将购买这些物品。

您可以使用RMSE，当您对一组项的用户有一组预测的评等时，还可以使用这些项的实际评等。您通常会在实际数据集的“脱机”实验中使用RMSE。在此过程中，您将“隐藏”一些真实的评等，并查看系统是否能够预测隐藏的评等。RMSE的“误差”部分是预测评级与实际评级之间的差异。然后，首先对每个错误进行平方，然后对该用户的一组项的这些错误的平均值取(平均值部分)，然后取平方根(名称的根部分)。由于RMSE首先对误差进行平方，与其他精度指标(如平均绝对误差(MAE) )相比，它不成比例地惩罚较大的误差。

做一个好的建议，不仅仅是做出准确的预测，还有很多。这就是为什么没有标准/平均数字可供选择的原因。有一系列不同的度量标准可用于精确性，而准确性只是度量推荐系统有效性的一小部分，而其他部分也都有多个度量标准可供使用！这也取决于您推荐的项目。推荐一个人去约会，这和在网上推荐什么食物是不一样的。我在0.8+看过电影推荐人的评分，在0.2+ RMSE看过推荐工作的分数。

如果您想更好地(而不是数学)了解评估推荐系统的复杂性，我建议您阅读下面的论文：

赫洛克，Konstan，Terveen，Diedl -“评估协作过滤推荐系统”(2004) -是一篇很好的论文，可以开始了解可以用来评估RS性能的不同方法。

另一篇很好的论文是McNee、Riedl和Konstan --“准确性并不总是好的:精度度量如何损害推荐系统”(2006年)。