0
A
回答
1
一般的想法是支持来自N个用户的所有数据,每个用户至少有一些中等数量M的评级。然后为每个用户添加1个评分,并为每个用户提供建议。评估建议的质量;您可以手动完成,或者评估一些指标,如平均精确度/ nDCG/AUC。
然后为每个用户添加一个评级并重复。你会发现随着时间的推移,质量在不断提高,但每个评分都会有所降低。然后你选择你的权衡 - 你什么时候判断等待另一个评级是否值得预期的质量提高?
没有一个正确的答案。但是,如果您的使用案例和算法的答案超过大约4,我会感到惊讶。
1
已经做了很多工作来理解在用户配置文件中实际应该包含多少项目以获得“满意”的建议性能。它已经发现,一般10是一个不错的数字
http://wanlab.poly.edu/recsys12/recsys/p27.pdf
您可以检查出纸回答你有什么具体的问题,但在较高的水平。它在用户个人资料中是8-20(优先选择10个)项目,以推荐电影推荐。他们执行典型的离线(模拟)和在线(基于用户)的研究来确定该数字。
相关问题
- 1. 推荐系统
- 2. 推荐系统 - 将交易次数转换为星级评分
- 3. 测量推荐系统的质量
- 4. Report Builder 1.0推荐的系统需求
- 5. 推荐系统数据集
- 6. SQL推荐系统
- 7. 推荐系统PHP
- 8. 找到具有最低分数的所需项目的集合
- 9. Howto使用增量式SVD推荐系统创建推荐
- 10. MySQL评分系统 - 查找评分
- 11. 简单的推荐系统
- 12. 推荐系统方法
- 13. 广告推荐系统
- 14. 团体推荐系统
- 15. Python/mysql:推荐系统
- 16. 推荐系统设计
- 17. 网页推荐系统
- 18. RMSE太小。推荐系统
- 19. IOS 8推荐系统
- 20. 数学SVD推荐系统,内环路
- 21. 推荐系统数据收集方法
- 22. 如何评估基于内容的推荐系统
- 23. 基于相似性标准对推荐系统的评估
- 24. 使用RMSE和nDCG评估推荐系统的区别?
- 25. iOS最低系统
- 26. 数据的相似性度量/矩阵(推荐系统) - Python
- 27. 带有大量数据的推荐系统
- 28. 推荐系统上的好资源?
- 29. 带TensorFlow的推荐系统(SVD)
- 30. 推荐使用Solr和Mahout的系统