本文共 494 字，大约阅读时间需要 1 分钟。

• 推荐问题可以定义为评估用户对物品的反馈，反馈类型大致分为三种：分级反馈（一星到五星）、二元反馈（喜欢/不喜欢、赞同/反对）和一元反馈（购买、访问等等）。
• 两个最重要的问题：最优项(best item)和最优N项(top-N)。
• 评测推荐系统效果主要方法：准确性。当有可用评分信息时候，用平均绝对误差(MAE)和均方根误差(RMAE)衡量，否则用准确率和召回率进行评估。

1. 基于用户评分，预测用户u对新物品i的评分，是利用和用户u兴趣相近且对物品i作了评分的k个用户，利用这些近邻对物品i的平均评分策略获得预测评分。
2. 基于用户分类，则是选取用户u的最近邻对物品i的评分作为预测评分。
3. 基于物品推荐，通过评分相近的物品来预测评分。
   
   近邻方法三要素：
   （1） 评分标准化：将个人评分标准转换到更一般的整体评分标准
   （2） 相似度权重计算
   a. 可以用于选择可信的近邻用于预测评分
   b. 给予不同近邻在预测中的权重
   （3）近邻的选择
   预选近邻数：减少存储相似度权重数量，常见方法有：top-N过滤、阈值过滤和负值过滤
   选择合适近邻数k：预测准确度是k的凹函数，这边k的选择通常采用交叉验证的方法实现