【摘要】：关于个性化推荐系统的实时性主要包括两个方面：一是处理用户新需求的能力。用户的爱好和兴趣会随着时间、空间、地点等的变化而变化，个性化推荐系统需要实时更新推荐列表来满足用户的新需求，可以通过推荐列表的变化率来衡量与用户行为相关的实时性。对于新加入的项目，一个好的个性化推荐系统应该是可以很好地将其推荐给对应的用户，这主要衡量个性化推荐系统在解决项目冷启动方面的能力。
对一个推荐系统，感兴趣的是能够准确识别用户是否喜欢该电影，而不是对每部电影的精确评分进行预测。当然，预测确切的实际评分也是最佳预测模型的任务。为了评价推荐系统的性能，使用分类准确率和总计算时间来衡量。
(1)分类准确率
分类准确率是推荐给用户正确的项目数(hhits-u)在总的推荐项目中占的比例(rrecset-u)，具体见式(5.33)。并且收集下个月的历史数据作为对最新训练模型的准确率进行指正。
(2)总的计算时间(推荐时间)(www.xing528.com)
总的计算时间包括模型建立时间，计算时间和模型更新的时间。这些时间度量主要是用来评价预测模型的实时学习能力。模型建立时间是从开始到模型建立的时间，也就是数据收集和预处理时间；计算时间包括：训练时间和预测时间；模型更新时间就是重新训练时间和预测更新时间。
(3)实时性
实时性是衡量一个推荐系统对新用户和新产品的及时处理能力，对很多网站来说特别重要。关于个性化推荐系统的实时性主要包括两个方面：一是处理用户新需求的能力。用户的爱好和兴趣会随着时间、空间、地点等的变化而变化，个性化推荐系统需要实时更新推荐列表来满足用户的新需求，可以通过推荐列表的变化率来衡量与用户行为相关的实时性。二是处理新项目的能力。对于新加入的项目，一个好的个性化推荐系统应该是可以很好地将其推荐给对应的用户，这主要衡量个性化推荐系统在解决项目冷启动方面的能力。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
