推荐系统中的数据挖掘方法---《推荐系统技术、评估及高效算法》---读书笔记（2）

一、目录组织图（点击图放大）

二、补充笔记

1、在社交网络环境下，余弦相似度效果最好。但，在一般案例中，推荐系统预测的精确性不受相似度度量方法选择的影响。

2、交叉验证需要大数据集，否则结果不可信。

3、分类器评估可以考虑以下指标：真正(TP):分类到A且真的属于A的实例数量，真负(TN)：没有分类到A且真的不属于A的实例数量，假正(FP)：分类到A但不属于A的实例数量，假负(FN):没有分类到A但属于A的实例数量。从而可以定义准确率和召回率。

准确率：

$$P=\frac{TP}{(TP+FP)}$$

召回率：

$$R=\frac{TP}{(TP+FN)}$$

但是单独使用这两个指标会产生误导，结合预测和召回率到单一指标为：

$$\frac{2TP}{(2TP+FN+FP)}$$

4、关联规则挖掘

关联规则：

 $$ X\Rightarrow Y $$

支持度表示同时拥有X和Y事务的比例，置信度表示Y中的物品有多经常出现在X的事务中。关联规则的目标发现具有支持度大于等于支持度阈值以及置信度大于等于置信度阈值的所有规则。采取的方法为（1）产生所有支持度大于等于支持度阈值的物品集（频繁物品集生成）；（2）从每一频繁物品集中产生高置信的规则（规则生成）。

5、在推荐系统中，选择合适的挖掘技术本身就是一个难点。