我如何在推荐系统上设定目标？（平均平均精度，baselineRmse）
how can I set a goal on recommendation system ?(mean average precision, baselineRmse)
我开始使用 ALS algorithm 开发离线推荐系统。
我需要设定一个关于系统的目标。
所以我想知道用什么标准来评估推荐系统。
我已经知道 MAP（平均精度）和对 baselineRmse 的改进，我想知道：这些标准在现代推荐中的表现如何系统来设定我的目标。
早在推荐系统出现的早期，人们就认为预测收视率是个好主意。这已被证明本身几乎毫无用处。如果 UI 中有足够的 space 来显示一些推荐，您会选择您认为用户会选择评分最高的那个吗？这总是会导致性能不佳。评分预测是 RMSE 旨在衡量的指标。
MAP@k 另一方面是为了找到推荐系统的预测能力。它衡量训练数据预测测试数据内容的能力。它还说明了推荐的顺序。 Ranking/ordering 最近发现推荐对推荐的有效性有更大的影响，因为如果您只能显示有限的数量，它们最好是最有可能促使用户采取行动的。
MAP@k 还考虑了排名，如果你测量 MAP@1 和 MAP@10，你会看到 MAP 分数下降 如果 你的第一个推荐是更多很有可能在测试数据中排在第10位。这意味着您订购的建议大致正确。
出于这些原因，我们使用 MAP@k。拆分您将在以后的休息中使用的 "gold standard" 数据集并保持拆分静态——大约 80%-20% 将通过随机选择或时间拆分，最近的 20% 用作测试拆分。在 80% 的基础上建立模型，然后为 20% 中的每个交互获得推荐，并查看推荐是否包含在测试集中实际交互的项目。所有这些的总和将进入 MAP@k 计算，k 取决于您要求的推荐数量。
查看这些参考资料和我们必须执行此操作的一些工具：
- Kaggle 博客引用 python 他们和我们的代码 ActionML use. https://www.kaggle.com/wiki/MeanAveragePrecision
- ActionML analysis python code to split data sets and run MAP@k, where we use the Kaggle function. https://github.com/actionml/analysis-tools
我开始使用 ALS algorithm 开发离线推荐系统。 我需要设定一个关于系统的目标。
所以我想知道用什么标准来评估推荐系统。 我已经知道 MAP（平均精度）和对 baselineRmse 的改进，我想知道：这些标准在现代推荐中的表现如何系统来设定我的目标。
早在推荐系统出现的早期，人们就认为预测收视率是个好主意。这已被证明本身几乎毫无用处。如果 UI 中有足够的 space 来显示一些推荐，您会选择您认为用户会选择评分最高的那个吗？这总是会导致性能不佳。评分预测是 RMSE 旨在衡量的指标。
MAP@k 另一方面是为了找到推荐系统的预测能力。它衡量训练数据预测测试数据内容的能力。它还说明了推荐的顺序。 Ranking/ordering 最近发现推荐对推荐的有效性有更大的影响，因为如果您只能显示有限的数量，它们最好是最有可能促使用户采取行动的。
MAP@k 还考虑了排名，如果你测量 MAP@1 和 MAP@10，你会看到 MAP 分数下降 如果 你的第一个推荐是更多很有可能在测试数据中排在第10位。这意味着您订购的建议大致正确。
出于这些原因，我们使用 MAP@k。拆分您将在以后的休息中使用的 "gold standard" 数据集并保持拆分静态——大约 80%-20% 将通过随机选择或时间拆分，最近的 20% 用作测试拆分。在 80% 的基础上建立模型，然后为 20% 中的每个交互获得推荐，并查看推荐是否包含在测试集中实际交互的项目。所有这些的总和将进入 MAP@k 计算，k 取决于您要求的推荐数量。
查看这些参考资料和我们必须执行此操作的一些工具：
- Kaggle 博客引用 python 他们和我们的代码 ActionML use. https://www.kaggle.com/wiki/MeanAveragePrecision
- ActionML analysis python code to split data sets and run MAP@k, where we use the Kaggle function. https://github.com/actionml/analysis-tools