背景
博主主要考虑的推荐算法用于信息流，瀑布式的展示，能不断地下拉刷新。
推荐算法的基础就是基于用户的操作行为，记录下用户的点击，评论，点赞等的行为，表明用户对某个文章所属于的话题（即标签）的热爱。另一方面，大量用户的操作也会对该篇文章进行加分。所以推荐的构成一方面会考虑个人用户行为的千人千面，另一方面会考虑大量用户行为的全网最热。后面可能还有要加上一些运营所需的强制推荐。
现有评价方法
参考网址：https://www.jianshu.com/p/47007f84e0c7
- 正确率 = 提取出的正确信息条数 / 提取出的信息条数
- 召回率 = 提取出的正确信息条数 / 样本中的信息条数
- F值 = 正确率 * 召回率 * 2 / （正确率 + 召回率）
不妨举这样一个例子：某池塘有1400条鲤鱼，300只虾，300只鳖。现在以捕鲤鱼为目的。撒一大网，逮着了700条鲤鱼，200只虾，100只鳖。那么，这些指标分别如下：
正确率 = 700 / (700 + 200 + 100) = 70%
召回率 = 700 / 1400 = 50%
F值 = 70% * 50% * 2 / (70% + 50%) = 58.3%
不妨看看如果把池子里的所有的鲤鱼、虾和鳖都一网打尽，这些指标又有何变化：
正确率 = 1400 / (1400 + 300 + 300) = 70%
召回率 = 1400 / 1400 = 100%
F值 = 70% * 100% * 2 / (70% + 100%) = 82.35%
由此可见，正确率是评估捕获的成果中目标成果所占得比例；召回率，顾名思义，就是从关注领域中，召回目标类别的比例；而F值，则是综合这二者指标的评估指标，用于综合反映整体的指标。
自我思考
现有的F值啊，还有Precision-Recall曲线等等，的确是一个很好的衡量推荐算法的指标，在学术界深受各学者的喜爱。但是，在工业界，我觉得这样的评价很不靠谱。对于信息类推荐APP而言，你怎么知道推荐的是用户喜欢的。没有一个很明确的0/1反馈，喜爱的衡量很多时候是一种中间状态，没有热别喜爱，也没有特别的不喜爱。
召回率还可以说得过去，可以理解为推荐给某用户的所有文章中，用户实际喜爱多少其中的篇（换句话说，针对其中的多少篇做了有效操作），这样以体现算法的好坏。
但这样子考虑有几个缺点：
- 用户滑动浏览，可能是有喜欢，但是没有进入二级页面，没有发生一些交互的行为，你无法得知。
- 推荐算法是基于用户行为进行推荐的，可能都是同类的东西。用户要想拓展兴趣，会去看其它的，或许其它的他更加的喜欢。
- 即便用户点击了，可能他也不一定喜欢，并不能是真实的有效数据。
那么不妨我们拓宽一下我们的视野，从另外一个角度去思考，变相一下召回率。
首先我们总是会尽可能地记录下用户的行为，其次我们会推荐一些相关的文章给用户。
那么我们只要每次读取用户操作记录并进行个性化更新的时候，就可以统计下这段时间里面用户有效操作了的文章，有多少篇跟我们推荐的结果是一致的。在此种情况下只要能有一半与我们推荐算法所推的文章重叠，就可以算是比较好的推荐了。这意味着用户大部分获取到的信息源都是从推荐这边进入的，同时这边进入的信息源也很好的满足了用户想要看的欲望。
网友评论