的是客户是否利用推荐并

也可以在不了解行业特殊性的情况下填充空单元格例如使用适当的平均值预测均值匹配或使用根据购买矩阵中的数据训练的分类器插补增强协同过滤。 另一个想法是为真实数据引入比完整的空单元格更大的权重。 标准计算的权重是准线性的。在许多情况下通过另外降低小比例尺和增加大比例尺来增强比例尺的对比度可以获得良好的结果。 如何验证推荐系统？ 衡量推荐准确性的传统方法是基于产品评分预测与客户给出的实际评分之间的差异。例如均方根误差 或平均绝对误差 。 然而在我们的例子中我们没有产品评级只有有关产品是否被购买的信息。

我们是否正确预测产品评级并不重要重要购买了产品。通常用于分类的指标更适合此目的精确度和完整性召回率。精确度决定了推荐产品中实际购买的百分比而完整性则表明了我们推荐的购买产品的百分比。 如果推荐系统已经使用了一段时间那么计算精度和完整性就很容易。不幸的是当我们刚刚设计时这些 电子邮件数据 根据历史销售数据计算的指标存在很大且无法估计的误差。我们仅拥有不使用我们的推荐系统的销售流程产生的数据。所推荐的产品未被购买的事实并不构成该推荐如果实际发生则无效的证据。



我们不知道如果销售人员积极使用这个或那个推荐系统客户的购买会是什么样子。 由于上述原因在实际实施之前不可能准确评估推荐系统的质量。 在检查推荐系统的潜在有效性时您还需要假设一定的时间范围。这里需要一个合理的妥协因为时间越长结果就越好 在无限长的时间内客户很有可能购买我们提供的几乎所有产品。 概括 我们针对培训公司的需求构建的推荐系统具有混合结构。其框架是一种常见的过滤算法并使用有关客户和产品的选定信息进行了许多改进。