Outline:
1.RS简介
2.RS评估
2.1评估指标
2.2评估方法
3.RS实践
3.1冷启动问题
3.2工业界RS架构
3.3学术界与工业界RS侧重点区别
1.Recommendation System简介
历史
90年代，门户网站往往采用分类目录等形式，因为内容的稀少，用户往往一眼都能看清所有的产品，可以选择项。例如Hao123,Yahoo这类网站会在首页覆盖少量的热门网站。
00年代，通过搜索词明确需求，例如 Google,Baidu
10年代，这时会存在一个信息过载的状况，那么就需要一个推荐算法，通过分析用户的历史行为为用户的兴趣建模，来匹配人和信息，从而主动为用户推荐，例如Taobao, Amazon
搜索 vs.推荐
| 搜索 | 推荐 | |
|---|---|---|
| 行为方式 | 主动 | 被动 |
| 意图 | 明确 | 模糊 |
| 个性化 | 弱 | 强 |
| 流量分布 | 马太效应 | 长尾效应 |
| 目标 | 快速满足 | 持续服务 |
| 评估指标 | 简明 | 复杂 |
马太效应（头部效应）：
长尾理论：
关联：（搜索也会推荐一些相关的搜索词，推荐搜索词的相关书籍、相关技术等）
因此综上
推荐系统存在的前提：
1.现今信息过载的情况
2.用户需求不够明确
推荐系统的目标：
1.高效连接用户与产品，发现长尾商品（academic）
2.留住用户与内容生产者，实现商业目标（industrial）
industrial推荐系统评估时——需要考虑三方
industrial与academic的RS，最大的区别存在于：
academic的RS建模时可能更注重与用户方的体验，而industrial的RS要考虑下图三个方一起的均衡利益
常用的RS评估指标：
1.准确性：准确匹配用户兴趣，满足用户的模糊需求
2.覆盖率：发掘长尾，使得更多内容生产者获得流量
满意度：用户满意度，更高层次的指标
信任度：百度一些医院，信任度低
实时性：新闻出了后多快能推荐出来，用户兴趣发生变化了后多久能推荐
鲁棒性：Robust
多样性/新颖性/惊喜度：不能一直是同类商品
可扩展性：客户群增加
商业目标：不同公司商业目标可能不同
用户留存：（学术界很少考虑，但工业界很重要的指标）用户留下来才能持久薅羊毛
用户反馈的 Explicit vs Implicit
| Explicit 显式反馈 | Implicit隐式反馈 | |
|---|---|---|
| 例子 | 电影评分（是否喜欢这个推荐） | 播放、评论、下载、购买 |
| 准确性 | 高 | 低 |
| 数量 | 少 | 多 |
| 获取成本 | 高 | 低 |
显式反馈是目前很难获取的一种反馈形式，我们不可能在用户看完每一个抖音短视频后都弹出一个评分框，邀请用户评分。但拥有较高准确性。
而隐式反馈则较好获取，虽然准确性较低，但每一个使用系统的用户都会产生相应的用户行为数据来提供隐式反馈
1.准确性（学术界）
1).评分预测
RMSE、MAE等
2).TopN推荐
Precision Recall等
准确性（工业界）
考虑一下银行：以购买手机银行上的理财产品为例
点击–>浏览深度/时常–>加购/收藏/分享–>购买–>再次购买，增加投资额
2.覆盖率：