您现在的位置是:首页 > 恋爱课程恋爱课程

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)

2021-06-04 20:04:56恋爱课程人已围观

简介隐性兴趣指标 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)数据分类-显性反馈和隐性反馈在训练分类/推荐模型时使用的数据可以分为两种,显性和隐性反馈数据。显性反馈数据:用户明确喜欢和不喜欢的物品(或明确有类别的数据)而隐形反馈数据很容易获取,所以介绍这两种数据训练出模型的评价方法。显性反馈数据模型评价方法隐性反馈数据介绍隐性反馈数据有诸多弊端,例如不明确,具有噪点数据,但是由于他广泛存在,我们有时甚至只能利用它,所以还是要详细研究一下。

绅恋情感
限时免费领取5000条聊天话术,立即加导师微信领取:  NM007800
(←长按复制)

国内首席恋爱聊天核心秘籍,学这一套就够了: 立即下载 (←文件较大,耐心等待)

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

很赞哦! ()

文章评论

留言与评论(共有 0 条评论)
   
验证码:

本栏推荐

站点信息

  • 文章统计12929篇文章
  • 浏览统计16816471次浏览
  • 评论统计0个评论
  • 标签管理标签云
  • 统计数据:统计代码
  • 微信:扫描二维码,关注我们