From 81021ff255c413cbb811e9316847eaebaf4f2a81 Mon Sep 17 00:00:00 2001 From: RuyiLuo Date: Tue, 5 Apr 2022 17:37:37 +0800 Subject: [PATCH] =?UTF-8?q?Update=20=E6=8E=A8=E8=8D=90=E7=B3=BB=E7=BB=9F?= =?UTF-8?q?=E7=9A=84=E6=84=8F=E4=B9=89.md?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- docs/推荐系统概述/推荐系统的意义.md | 9 ++++++++- 1 file changed, 8 insertions(+), 1 deletion(-) diff --git a/docs/推荐系统概述/推荐系统的意义.md b/docs/推荐系统概述/推荐系统的意义.md index 39851e0d..d11b339b 100644 --- a/docs/推荐系统概述/推荐系统的意义.md +++ b/docs/推荐系统概述/推荐系统的意义.md @@ -41,4 +41,11 @@ 1. 用户意图：搜索时的用户意图是非常明确的，用户通过查询的关键词主动发起搜索请求。对于推荐而言，用户的需求是不明确的，推荐系统在通过对用户历史兴趣的分析给用户推荐他们可能感兴趣的内容。 2. 个性化程度：对于搜索而言，由于限定的了搜索词，所以展示的内容对于用户来说是有标准答案的，所以搜索的个性化程度较低。而对于推荐来说，推荐的内容本身就是没有标准答案的，每个人都有不同的兴趣，所以每个人展示的内容，个性化程度比较强。 3. 优化目标：对于搜索系统而言，更希望可以快速地、准确地定位到标准答案，所以希望搜索结果中答案越靠前越好，通常评价指标有：归一化折损累计收益（NDCG）、精确率（Precision）和召回率（Recall）。对于推荐系统而言，因为没有标准的答案，所以优化目标可能会更宽泛。例如用户停留时长、点击、多样性，评分等。不同的优化目标又可以拆解成具体的不同的评价指标。 -4. 马太效应和长尾理论：对于搜索系统来说，用户的点击基本都集中在排列靠前的内容上，对于排列靠后的很少会被关注，这就是马太效应。而对于推荐系统来说，热门物品被用户关注更多，冷门物品不怎么被关注的现象也是存在的，所以也存在马太效应。此外，在推荐系统中，冷门物品的数量远远高于热门物品的数量，所以物品的长尾性非常明显。 \ No newline at end of file +4. 马太效应和长尾理论：对于搜索系统来说，用户的点击基本都集中在排列靠前的内容上，对于排列靠后的很少会被关注，这就是马太效应。而对于推荐系统来说，热门物品被用户关注更多，冷门物品不怎么被关注的现象也是存在的，所以也存在马太效应。此外，在推荐系统中，冷门物品的数量远远高于热门物品的数量，所以物品的长尾性非常明显。 + + + +**参考资料：** + +- 《推荐系统实践》 +- 《从零开始构建企业级推荐系统》 \ No newline at end of file