在离线环境下评估推荐系统可能有些棘手
想一想YouTube的主页，它会显示你可能喜欢的视频，还有亚马逊会建议你购买更多他们销售的商品。这些都是推荐系统的例子，它们试图展示你最有可能感兴趣的东西。
假设你已经使用你选择的方法构建了一个推荐系统。问题是：在你将其投入生产并让其在网站上提供推荐之前，你如何进行离线评估？
在本文中，你将学到这个过程！此外，我会告诉你为什么你应该小心这些评估指标。
如果你想更全面地了解，请参考我的另一篇文章，其中还展示了如何使用TensorFlow从头开始构建一个推荐系统。
嵌入式推荐系统简介
学习如何在TensorFlow中构建简单的矩阵分解推荐系统
towardsdatascience.com
推荐系统的离线评估
让我们首先找到一个对大多数你设计或在外部找到的系统都适用的推荐系统定义。
对我们而言，推荐系统是一个算法，至少需要一个用户作为输入，并输出一个按顺序排列的项目列表推荐给该用户。
为什么至少需要一个用户？还可能有其他输入，如一年中的时间，可以帮助模型学习不要在夏天推荐巧克力圣诞老人。
举个例子，我们构建的水果推荐系统R可以做到类似R(Alice) = [苹果, 橘子, 樱桃]的事情。
注意：用户也可以是其他东西，甚至是另一篇文章。如果你想构建一个在你商店的某篇文章缺货时的替代品推荐系统，这可能是相关的。所以，你的推荐系统以一篇文章作为输入……