新的推荐系统必须具备何种推荐质量才能具有竞争力？
通过＆＃34;推荐质量＆＃34;我是说跟随。让我们说，推荐系统呈现用户X项。此后我问他，他或她实际上有多少人喜欢（可能会买）而事实证明他喜欢他们中的Y.推荐质量为Y / X（最佳可能值为1，表示用户喜欢所有推荐项目）。
推荐的质量
推荐系统大约有？
更新1： Here（第64页）作者写道，2007年Netflix奖前2名算法的RMSE分别达到0.8914和0.8990。
RMSE的定义可以在第63页找到，但我不明白这意味着什么。
答案 0 :(得分：2)
你实际上提出了一个非常有趣的问题。学术界仍在进行一场关于a）什么是好的＆＃34;推荐甚至意味着，和b）用于预测准确性的指标，以及其他评估措施。
你问：
普通和最佳推荐系统的推荐质量大致为什么？
答案是 - 它取决于很多不同的东西。简短的回答是没有真正同意的平均值＃34;或者＆＃34;最好的＆＃34;对于一般的推荐系统，您可能会找到特定推荐系统的基准 - 例如电影推荐系统。
为了帮助您提供更多背景信息：
均方根误差用作预测精度的度量。即鉴于一系列物品（面包，牛奶，咖啡，橙汁），系统可以预测我对这些物品的评级，或预测我将购买这些物品的程度。
当您为一组项目拥有一组用户的预测评级时，您可以使用RMSE，并且您还可以获得这些项目的实际评级。您通常会在＆＃34;离线＆＃34;中使用RMSE。试验你的真实数据集。在这个过程中你会隐藏＆＃34;一些真正的评级，看看系统是否可以预测隐藏的评级。 ＆＃34;错误＆＃34; RMSE的一部分是预测评级与实际评级之间的差异。然后首先对每个误差求平方，然后对该用户的项集合中的这些误差的平均值（平均部分），然后取平方根（名称的根部分）。由于RMSE首先对误差进行平方，因此与其他精度指标（如平均绝对误差（MAE））相比，它会不成比例地惩罚大误差。
除了做出准确的预测之外，做出好的建议还有很多。这就是没有标准/平均数的原因。有一系列不同的指标用于准确性，然后准确度只是测量推荐系统效率的一小部分，其他部分都有多个指标也可以使用！它还取决于您推荐的项目。推荐某人约会，与推荐在线购买的食物几乎不一样。我看过0.8+ RMSE的电影推荐人得分和0.2+ RMSE的推荐工作得分。
如果您想要更好地（无数学）了解评估推荐系统的复杂性，我建议您阅读以下文章：
Herlocker，Konstan，Terveen，Diedl - ＆＃34;评估协同过滤推荐系统＆＃34; （2004） - 是一篇很好的论文，开始了解可用于评估RS性能的不同方法。
另一篇好文章是McNee，Riedl和Konstan - ＆＃34;准确性并不总是好：准确度指标如何影响推荐系统＆＃34; （2006）
答案 1 :(得分：1)
对于一个好的，快速且可完全自定义的推荐引擎，我可以推荐http://www.sajari.com。它提供了根据地点，流行度，数据相似性，新近度等来从给定数据集中提升推荐结果的能力 - 基本上定制您自己的推荐引擎。一个好的推荐系统至少需要那些具有竞争力的东西，IMO，最重要的是它不是一个黑盒子，你可以控制输出。