新推薦系統必須具備什麼樣的推薦質量才能具有競爭力？現代推薦引擎有多好？
通過「推薦質量」我的意思是以下。比方說，推薦系統提供了用戶X項目。之後我問他，他或她真的喜歡多少人（可能會購買），結果表明他喜歡他們中的Y.建議質量爲Y/X（最佳可能值爲1，這意味着用戶喜歡所有推薦的項目）。
什麼質量的建議做
推薦系統擁有約？
更新1：Here（第64頁）作者寫道，2007年Netflix獎最高的2個算法分別實現了0.8914和0.8990的RMSE。
RMSE的定義可以在第63頁找到，但我沒有明白它的含義。
你實際上在問一個很有意思的問題。學術界對於a）甚至意味着什麼是「良好」的建議，以及b）用於預測準確度的指標以及其他評估措施，仍存在熱烈的爭論。
你問：
不平均，最好的推薦系統有什麼質量推薦的約？
答案是 - 它取決於很多不同的事情。簡而言之，推薦系統通常沒有真正的「平均」或「最佳」，但您可以找到特定推薦系統的基準 - 例如電影推薦系統。
爲了幫助給你多一點背景：
均方根誤差作爲預測精度的測量。即給定一套物品（麪包，牛奶，咖啡，橙汁），系統能夠如何預測我對這些物品的評分，或者它能夠預測我將如何購買這些物品。
當您有一組用戶對一組項目的預測評分時，您可以使用RMSE，並且您也對這些項目有實際評分。您通常會在真實數據集的「離線」實驗中使用RMSE。在這個過程中，你會「隱藏」一些真實的評級，看看系統是否可以預測隱藏的評級。 RMSE的「錯誤」部分是預測評級與實際評級之間的差異。然後每個錯誤先被平方，然後這個用戶的項目集合中這些錯誤的平均值取平均值部分，然後取平方根（名稱的根部分）。由於RMSE首先對誤差進行平方，與其他準確度度量（如平均絕對誤差（MAE））相比，它會不成比例地懲罰較大的誤差。
作出一個很好的建議，而不僅僅是做出準確的預測。這就是爲什麼沒有標準/平均數字。有一系列不同的指標可用於準確性，然後準確性只是衡量推薦系統效率的一小部分，而其他部分都有多個指標可供使用！這也取決於你推薦的物品。推薦某人與某人約會，與推薦在線購買什麼食物幾乎沒有什麼相同之處。我已經看到0.8+ RMSE的電影推薦者得分和0.2+ RMSE推薦工作的得分。
我建議你閱讀下面的文件，如果你想獲得更好的（沒有數學）欣賞到評估推薦系統的複雜性：
Herlocker，Konstan，Terveen，Diedl - 「評估協同過濾推薦系統」 （2004） - 是一篇很好的論文，開始欣賞可用於評估RS性能的不同方法。
另一個好紙麥克尼，裏德爾和Konstan - 「精度不總是好的：如何準確度量有傷害推薦系統」（2006年）
對於一個好的，快速，徹底定製的推薦引擎，我可能會建議http://www.sajari.com。它提供了根據地區，流行度，數據相似性，新近程度和更多因素推薦來自給定數據集的建議結果的能力 - 從本質上定製您自己的推薦引擎。一個好的推薦系統至少需要這些東西具有競爭力，海事組織，最重要的是它不是一個黑匣子，你可以控制輸出。
不像你認爲的二進制，netflix競爭中的預測分數是1,2,3,4,5（netfix中使用的五星評級）。那麼使用RMSE作爲評估指標是有意義的。 – greeness 2014-11-24 14:38:40
@greeness有沒有辦法以可訪問（非數學）的方式來解釋這些指標？這是什麼意思，如果算法的RMSE爲0？這是什麼意思，如果RMSE爲1？ – 2014-11-24 14:51:05
RMSE = 0意味着每個預測分數都是黃金的精確匹配。假設您有三部電影，其得分分別爲r1 = 2，r2 = 3，r3 = 5。如果你的預測正好是p1 = 2，p2 = 3，p3 = 5（'r'爲黃金評級，'p'爲預測），你得到的RMSE評分爲0.然而，如果你的預測是p1 = 1，p2 = 4，p3 = 4，則得到總平方誤差1^2 + 1^2 + 1^2 = 3，RMSE = sqrt（3/3）= 1。所以如果平均而言，每個評級都偏離黃金級1，你得到1的RMSE誤差。 – greeness 2014-11-24 14:57:28