隐性兴趣指标 推荐系统/分类问题正确率计算和比较方法（显性反馈数据和隐性反馈数据）

隐性兴趣指标 推荐系统/分类问题正确率计算和比较方法（显性反馈数据和隐性反馈数据）

内容

1. 数据分类-显式反馈和隐式反馈

用于训练分类/推荐模型的数据可以分为两种类型隐性兴趣指标，显式和隐式反馈数据。

显式反馈数据：用户明确喜欢和不喜欢的项目（或明确分类的数据）

不可见的反馈数据：用户查看过但没有明确喜欢或不喜欢的项目。此类数据只能视为所有正反馈，即收藏的商品。

举个栗子：

用户在爱奇艺上给一部电影打了 10 分，这意味着用户显然喜欢这部电影。

用户在此期间观看了 10 部电影，但没有评分。不知道他喜不喜欢，但可以作为参考资料。

显式数据确实可以给我们带来很大的方便，但是很多情况下是没有或者缺少显式数据的。无形反馈数据易于获取，介绍了两种数据训练模型的评价方法。

2.显式反馈数据模型评估方法

模型判断推荐

不推荐模型判断

应该在测试集中推荐

true（TP正型判断为正型）

（FP负型判断为正型）

不应该在测试集中被推荐

（FN正型判断为负型）

true（TN负类判断为负类）

根据TP、FP、FN、TN，可以计算出准确率和召回率。然后用准确率和召回率计算其他评价方法。

精度 rate() 的公式是

rate()的公式是

这两个数据是相互制约的，所以通常使用将两者结合起来的F-进行计算。

当β为1时，最常用的是F1-

3.隐式反馈数据介绍

隐式反馈数据有很多弊端，比如数据不清晰、嘈杂，但由于其广泛存在，我们只能有时使用，所以还需要深入研究。

显式反馈数据可以显示用户对某个项目的偏好值隐性兴趣指标，例如评分机制，8分和10分的差异，而隐式反馈数据无法衡量偏好值。越多隐性兴趣指标，越有可能喜欢这个内容，也就是信心越大。

Tags：隐性兴趣指标