Оценка пользовательской совместной фильтрации K-Nearest Neighbor Algorithm

Question

Я пытался найти механизмы оценки совместного алгоритма K-Nearest neighbour, но я смущен, как я могу оценить этот алгоритм. Как я могу быть уверен, что рекомендация, сделанная этим алгоритмом, является правильной или хорошей. На самом деле я также разработал алгоритм, который я хочу сравнить с ним. но я не уверен, как я могу сравнить и оценить их оба. Используемый мною набор данных имеет объектив.

Ваши люди помогут оценить эту систему рекоммендеров, будут высоко оценены.

Answer 1

Оценка систем рекомендаций является большой проблемой для ее исследовательских и промышленных сообществ. Посмотрите на «Оценка систем рекомендаций для совместной фильтрации», «Herlocker et al». Люди, которые публикуют данные MovieLens (исследовательская лаборатория GroupLens в Университете Миннесоты), также публикуют много работ по темам рецензирования, а файлы PDF часто бесплатны в http://grouplens.org/publications/.

Отъезд https://scholar.google.com/scholar?hl=en&q=evaluating+recommender+systems.

Одним словом, вы должны использовать метод, который скрывает некоторые данные. Вы будете тренировать свою модель на части данных (так называемые «данные обучения») и протестировать оставшуюся часть данных, которые ваша модель никогда раньше не видела. Формальный способ сделать это называется перекрестной проверкой, но общая концепция видимых данных обучения по сравнению с скрытыми тестовыми данными является наиболее важной.

Я также рекомендую https://www.coursera.org/learn/recommender-systems, курс Курсера по рекомендательным системам, преподаваемым людьми GroupLens. В этом курсе вы научитесь использовать LensKit, систему систем рекомендаций в Java, которая включает в себя большой пакет оценки. Даже если вы не примете курс, LensKit может быть именно тем, что вы хотите.