推荐系统实践 · 第七节
《推荐系统实践》第七节
惊喜度研究尚不成熟,本书不再展开。信任度方面,用户对推荐系统的信任会影响交互意愿,尤其在电商中至关重要。
惊喜度研究尚不成熟,本书不再展开。信任度方面,用户对推荐系统的信任会影响交互意愿,尤其在电商中至关重要。提高信任度主要有两种方法:一是通过提供推荐解释增加系统透明度,二是利用社交网络信息,用好友购买过的商品进行推荐和解释。相关研究主要集中在评论网站Epinion的信任系统上,该系统让用户判断是否信任评论作者,从而过滤垃圾评论。
实时性包括两方面:一是根据用户新行为实时更新推荐列表,可用列表变化速率评测;二是将新物品推荐给用户,考验物品冷启动能力,可用新物品在推荐列表中的比例评测。
健壮性衡量系统抗击作弊的能力。典型攻击是行为注入攻击,如注册大量账号同时购买目标商品和自家商品,或雇人刷高评分。评测方法是向数据集注入噪声后,比较攻击前后推荐列表的相似度。提高健壮性可选择高代价的用户行为(如购买而非浏览),或在使用数据前进行攻击检测清理。
商业目标与网站盈利模式相关,如电商关注销售额,展示广告关注展示总数,点击广告关注点击总数。设计推荐系统时需考虑最终商业目标。
本节总结的指标分离线和在线两类,如何通过优化离线指标提高在线指标尚无定论。作者认为应在满足覆盖率、多样性、新颖性等限制条件下,尽量优化预测准确度。评测维度分为用户维度(人口统计学、活跃度、是否新用户)、物品维度(属性、流行度、是否新物品)和时间维度(季节、工作日、时段),包含不同维度的评测报告有助于全面了解系统性能。