正文

推薦系統(tǒng)排行榜（推薦系統(tǒng)排行榜最新）

發(fā)布時(shí)間：2023-03-20 06:28:09 稿源：創(chuàng)意嶺閱讀： 70 問大家

大家好！今天讓小編來大家介紹下關(guān)于推薦系統(tǒng)排行榜的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè)，服務(wù)客戶遍布全球各地，相關(guān)業(yè)務(wù)請撥打電話：175-8598-2043，或添加微信：1454722008

文章目錄列表:

1、買房app十大排行榜
2、推薦系統(tǒng)產(chǎn)品和算法概述丨產(chǎn)品雜談系列
3、評價(jià)推薦系統(tǒng)的幾個(gè)標(biāo)準(zhǔn)
4、無人自助棋排系統(tǒng)排名前幾位都有哪個(gè)

推薦系統(tǒng)排行榜（推薦系統(tǒng)排行榜最新）

一、買房app十大排行榜

買房app十大排行榜有以下這些：

1、房天下，一款為使用者收納天下房源信息的軟件，在軟件中，擁有上億人一起使用，超過五百萬的業(yè)主的選擇，值得信賴，專屬顧問隨時(shí)在線，全程陪伴，障質(zhì)量，私人定制看房路線，直達(dá)售樓處。2、房房房，一款真正保證買房者權(quán)益的軟件。在這里，買賣新房需要拿出證明來為其提供信用力，出售，出租舊房需要提供房產(chǎn)證或購房合同等證明。

3、房星找房，一款為用戶整合二手房，新房信息的軟件。在軟件中，可以為想要買房的用戶提供可信賴的服務(wù)，能夠滿足用戶的各色要求平臺(tái)可信，能夠全程監(jiān)督置業(yè)顧問的每一次服務(wù)。

4、房交易，一個(gè)為客戶提供房地產(chǎn)服務(wù)的綜合軟件，在軟件中我們可以享受到最機(jī)制的服務(wù)，在這里擁有多位十幾年交易經(jīng)驗(yàn)的交易員，多個(gè)全國房地產(chǎn)經(jīng)紀(jì)人職業(yè)證書為使用者進(jìn)行服務(wù)。

5、房譜，一款可以提供真實(shí)地點(diǎn)的房源軟件。在其中，我們可以在地圖上真正的看到房源信息，來判斷最合適的房源。軟件目前已成功上線80多個(gè)城市，所有在售房源信息一網(wǎng)打盡，一個(gè)不漏。

6、貝殼找房，在這里擁有最全面的房源信息。提供全面真實(shí)實(shí)時(shí)的房源動(dòng)態(tài)、透明的房產(chǎn)行情、高效的找房工具等特色工具。海量房源信息，真實(shí)在售。

7、自如，一款讓用戶輕松租房，買房的軟件。在軟件中，用戶可以挑選房子完成輕松拎包住房，也可以自由選擇多種房源。多種貼心服務(wù)專屬管家、周期保潔、及時(shí)維修，讓生活更自如。

8、樂居買房，房源咨詢五花八門，找房頭疼難難難，想要租房就來這里，多種信息整理推薦，清晰明了買好房，樓盤拿證開盤等時(shí)間節(jié)點(diǎn)一目了然，詳情頁增強(qiáng)服務(wù)，搖號選房盡在其中。

9、諸葛找房，每日更新房源信息，每天超過十億信息處理，讓用戶坐享天下咨詢，更有具有特色的房價(jià)分析，全行業(yè)實(shí)用直觀的二手房價(jià)格趨勢及房源分布展示。

10、安居客，業(yè)界強(qiáng)大的推薦系統(tǒng)為智能推薦安心房源，足不出戶實(shí)景看房，省心又安全。裝修增加品牌裝企推薦，專業(yè)保障，放心選擇。

二、推薦系統(tǒng)產(chǎn)品和算法概述丨產(chǎn)品雜談系列

本文主要是對最近所學(xué)的推薦系統(tǒng)的總結(jié)，將會(huì)簡單概述非個(gè)性化范式、群組個(gè)性化范式、完全個(gè)性化范式、標(biāo)的物關(guān)聯(lián)標(biāo)的物范式、笛卡爾積范式等5種常用的推薦范式的設(shè)計(jì)思路。

許多產(chǎn)品的推薦算法都依賴于三類數(shù)據(jù)：標(biāo)的物相關(guān)的描述信息（如推薦鞋子，則包括鞋子的版型、適用對象、材質(zhì)等信息、用戶畫像數(shù)據(jù)（指的是用戶相關(guān)數(shù)據(jù)，如性別、年齡、收入等）、用戶行為數(shù)據(jù)（例如用戶在淘寶上的瀏覽、收藏、購買等）。這三類數(shù)據(jù)是推薦模型的主要組成部分，除此之外一些人工標(biāo)注的數(shù)據(jù)（例如為商品人工打上標(biāo)簽）、第三方數(shù)據(jù)也能夠用于補(bǔ)充上述的三類數(shù)據(jù)。

服務(wù)端在有以上數(shù)據(jù)的基礎(chǔ)上，就可以從三個(gè)維度進(jìn)行推薦：

根據(jù)個(gè)性化推薦的顆粒度，我們可以將基于用戶維度的推薦分為非個(gè)性化推薦、群組個(gè)性化推薦及完全個(gè)性化推薦三種類型。

非個(gè)性化推薦指的是每個(gè)用戶看到的推薦內(nèi)容都是一樣的 在互聯(lián)網(wǎng)產(chǎn)品中，我們最常見的非個(gè)性化推薦的例子是各種排行榜，如下圖是酷狗音樂的排行榜推薦，通過各個(gè)維度計(jì)算各類榜單，不管是誰看到這個(gè)榜單，上面的排序和內(nèi)容都是一致的。

群組個(gè)性化推薦指的是將具有相同特征的用戶聚合成一組，同一組用戶在某些方面具備相似性，系統(tǒng)將為這一組用戶推薦一樣的內(nèi)容 。這種推薦方式是很多產(chǎn)品進(jìn)行用戶精細(xì)化運(yùn)營時(shí)會(huì)采用的方式，通過用戶畫像系統(tǒng)圈定一批批用戶，并對這批用戶做統(tǒng)一的運(yùn)營。例如音樂軟件的推薦播放，若以搖滾樂為基準(zhǔn)將一批用戶聚合成組，則為這些用戶提供的每日推薦歌單是相同的內(nèi)容和順序，但與另一組愛聽民謠的用戶相比，兩組用戶看到的每日推薦內(nèi)容將是不同的。

完全個(gè)性化指的是為每個(gè)用戶推薦的內(nèi)容都不一樣，是根據(jù)每一位用戶的行為及興趣來為用戶做推薦，是當(dāng)今互聯(lián)網(wǎng)產(chǎn)品中最常用的一種推薦方式。大多數(shù)情況下我們所說的推薦就是指這種形式的推薦，例如淘寶首頁的“猜你喜歡”就是一個(gè)完全個(gè)性化的推薦，千人千面，每個(gè)人看到的推薦尚品都不一樣。

完全個(gè)性化可以只基于用戶行為進(jìn)行推薦，在構(gòu)建推薦算法時(shí)只考慮到用戶個(gè)人的特征和行為 ，不需要考慮其他用戶，這也是最常見的內(nèi)容推薦方式。除此之外， 還可以基于群組行為進(jìn)行完全個(gè)性化推薦，除了利用用戶自身的行為外，還依賴于其他用戶的行為構(gòu)建推薦算法模型 。例如，用戶屬性和行為相似的一群用戶，其中90%的用戶買了A商品后也買了B商品，則當(dāng)剩下的10%用戶單獨(dú)購買B商品時(shí)，我們可以為該用戶推薦商品A。

基于群組行為進(jìn)行的完全個(gè)性化推薦可以認(rèn)為是全體用戶的協(xié)同進(jìn)化，常見的協(xié)同過濾、基于模型的推薦等都屬于這類推薦形式。

基于標(biāo)的物的推薦指的是用戶在訪問標(biāo)的物詳情頁或者退出標(biāo)的物詳情頁時(shí)，可以根據(jù)標(biāo)的物的描述信息為用戶推薦一批相似的或者相關(guān)的標(biāo)的物，對應(yīng)的是最開始提到的“標(biāo)的物關(guān)聯(lián)標(biāo)的物范式” 。如下圖酷狗的相似歌曲推薦，

除了音樂產(chǎn)品外，視頻網(wǎng)站、電商、短視頻等APP都大量使用基于標(biāo)的物維度的推薦。如下圖便是YouTube基于標(biāo)的物關(guān)聯(lián)標(biāo)的物的推薦。在YouTube上我觀看一個(gè)周杰倫的音樂視頻時(shí)，YouTube在該頁面下方為我推薦更多與周杰倫有關(guān)的視頻。

基于用戶和標(biāo)的物交叉維度的推薦指的是將用戶維度和標(biāo)的物維度結(jié)合起來，不同用戶訪問同一標(biāo)的物的詳情頁時(shí)看到的推薦內(nèi)容也不一樣，對應(yīng)的是開頭提到的笛卡爾積推薦范式。拿酷狗音樂對相似歌曲的推薦來舉例，如果該推薦采用的是用戶和標(biāo)的物交叉維度的推薦的話，不同用戶看到的“沒有理想的人不傷心”這首歌曲，下面的相似歌曲是不一樣的。拿淘寶舉例的話，一樣是搜索“褲子”這一關(guān)鍵詞，不同的人搜索得到的搜索結(jié)果和排序是不同的，可能用戶A搜索出來優(yōu)先展示的是牛仔褲，而用戶B優(yōu)先展示的是休閑褲，淘寶將結(jié)合搜索關(guān)鍵詞與用戶個(gè)人的歷史行為特征展示對應(yīng)的搜索結(jié)果和排序。

對于基于笛卡爾積推薦范式設(shè)計(jì)的推薦系統(tǒng)來說，由于每個(gè)用戶在每個(gè)標(biāo)的物上的推薦列表都不一樣，我們是沒辦法是先將所有組合計(jì)算出來并儲(chǔ)存（組合過多，數(shù)量是非常巨大的），因此對于系統(tǒng)來說，能否在用戶請求的過程中快速地為用戶計(jì)算個(gè)性化推薦的標(biāo)的物列表將會(huì)是一個(gè)比較大的挑戰(zhàn)，對于整個(gè)推薦系統(tǒng)的架構(gòu)也有更高的要求，因此在實(shí)際應(yīng)用中，該種推薦方式用的比較少。

非個(gè)性化范式指的是為所有用戶推薦一樣的標(biāo)的物列表，常見的各種榜單就是基于此類推薦規(guī)則，如電商APP中的新品榜、暢銷榜等。排行榜就是基于某個(gè)規(guī)則來對標(biāo)的物進(jìn)行排序，將排序后的部分標(biāo)的物推薦給用戶。例如新品榜是按照商品上架的時(shí)間順序來倒序排列，并將排序在前列的產(chǎn)品推薦給用戶。而暢銷榜則是按照商品銷量順序降序排列，為用戶推薦銷量靠前的商品。

根據(jù)具體的產(chǎn)品和業(yè)務(wù)場景，即使同樣是非個(gè)性化范式推薦，在具體實(shí)施時(shí)也可能會(huì)比較復(fù)雜。例如在電商APP中暢銷榜的推薦可能還會(huì)將地域、時(shí)間、價(jià)格等多個(gè)維度納入考慮范圍內(nèi)，基于每個(gè)維度及其權(quán)重進(jìn)行最終的排序推薦。

大部分情況下，非個(gè)性化范式推薦可以基于簡單的計(jì)數(shù)統(tǒng)計(jì)來生成推薦，不會(huì)用到比較復(fù)雜的機(jī)器學(xué)習(xí)算法，是一種實(shí)施門檻較低的推薦方式。基于此，非個(gè)性化范式推薦算法可以作為產(chǎn)品冷啟動(dòng)或者默認(rèn)的推薦算法。

完全個(gè)性化范式是目前的互聯(lián)網(wǎng)產(chǎn)品中最常用的推薦模式，可用的推薦方法非常多。下面對常用的算法進(jìn)行簡單梳理。

該推薦算法只需要考慮到用戶自己的歷史行為而不需要考慮其他用戶的行為，其核心思想是：標(biāo)的物是有描述屬性的，用戶對標(biāo)的物的操作行為為用戶打上了相關(guān)屬性的烙印，這些屬性就是用戶的興趣標(biāo)簽，那么我們就可以基于用戶的興趣來為用戶生成推薦列表。還是拿音樂推薦來舉例子，如果用戶過去聽了搖滾和民謠兩種類型的音樂，那么搖滾和民謠就是這個(gè)用戶聽歌時(shí)的偏好標(biāo)簽，此時(shí)我們就可以為該用戶推薦更多的搖滾類、民謠類歌曲。

基于內(nèi)容的個(gè)性化推薦在實(shí)操中有以下兩類方式。

第一種是基于用戶特征標(biāo)識(shí)的推薦。

標(biāo)的物是有很多文本特征的，例如標(biāo)簽、描述信息等，我們可以將這些文本信息基于某種算法轉(zhuǎn)化為特征向量。有了標(biāo)的物的特征向量后，我們可以將用戶所有操作過的標(biāo)的物的特征向量基于時(shí)間加權(quán)平均作為用戶的特征向量，并根據(jù)用戶特征向量與標(biāo)的物特征向量的乘積來計(jì)算用戶與標(biāo)的物的相似度，從而計(jì)算出該用戶的標(biāo)的物推薦列表。

第二種是基于倒排索引查詢的推薦。

如果我們基于標(biāo)的物的文本特征（如標(biāo)簽）來表示標(biāo)的物屬性，那么基于用戶對該標(biāo)的物的歷史行為，我們可以構(gòu)建用戶畫像，該畫像即是用戶對于各個(gè)標(biāo)簽的偏好，并且對各個(gè)標(biāo)簽都有相應(yīng)的偏好權(quán)重。

在構(gòu)建完用戶畫像后，我們可以基于標(biāo)簽與標(biāo)的物的倒排索引查詢表，以標(biāo)簽為關(guān)鍵詞，為用戶進(jìn)行個(gè)性化推薦。

舉個(gè)粗暴的例子，有歌曲A、B、C分別對應(yīng)搖滾、民謠、古風(fēng)三個(gè)音樂標(biāo)簽，我聽了歌曲A、B，則在我身上打了搖滾和民謠的標(biāo)簽，又基于我聽這兩個(gè)歌曲的頻率，計(jì)算了我對“搖滾”和“民謠”的偏好權(quán)重。

在倒排索引查詢表中，搖滾和民謠又會(huì)分別對應(yīng)一部分歌曲，所以，可以根據(jù)我對搖滾和民謠的偏好權(quán)重從查詢表中篩選一部分歌曲并推薦給我。

基于倒排索引查詢的推薦方式是非常自然直觀的，只要用戶有一次行為，我們就可以據(jù)此為用戶進(jìn)行推薦。但反過來，基于用戶興趣給用戶推薦內(nèi)容，容易局限推薦范圍，難以為用戶推薦新穎的內(nèi)容。

基于協(xié)同過濾的推薦算法，核心思想是很樸素的”物以類聚、人以群分“的思想。所謂物以類聚，就是計(jì)算出每個(gè)標(biāo)的物最相似的標(biāo)的物列表，我們就可以為用戶推薦用戶喜歡的標(biāo)的物相似的標(biāo)的物，這就是基于物品的協(xié)同過濾。所謂人以群分，就是我們可以將與該用戶相似的用戶喜歡過的標(biāo)的物(而該用戶未曾操作過)的標(biāo)的物推薦給該用戶，這就是基于用戶的協(xié)同過濾。

常見的互聯(lián)網(wǎng)產(chǎn)品中，很多會(huì)采用基于標(biāo)的物的協(xié)同過濾，因?yàn)橄啾戎掠脩舻淖儎?dòng)概率更大，增長速度可能較快，這種情況下，基于標(biāo)的物的協(xié)同過濾算法將會(huì)更加的穩(wěn)定。

協(xié)同過濾算法思路非常簡單直觀，也易于實(shí)現(xiàn)，在當(dāng)今的互聯(lián)網(wǎng)產(chǎn)品中應(yīng)用廣泛。但協(xié)同過濾算法也有一些難以避免的問題，例如產(chǎn)品的冷啟動(dòng)階段，在沒有用戶數(shù)據(jù)的情況下，沒辦法很好的利用協(xié)同過濾為用戶推薦內(nèi)容。例如新商品上架時(shí)也會(huì)遇到類似的問題，沒有收集到任何一個(gè)用戶對其的瀏覽、點(diǎn)擊或者購買行為，也就無從基于人以群分的概念進(jìn)行商品推薦。

基于模型的推薦算法種類非常多，我了解到的比較常見的有遷移學(xué)習(xí)算法、強(qiáng)化學(xué)習(xí)算法、矩陣分解算法等，且隨著近幾年深度學(xué)習(xí)在圖像識(shí)別、語音識(shí)別等領(lǐng)域的進(jìn)展，很多研究者和實(shí)踐者也將其融入到推薦模型的設(shè)計(jì)當(dāng)中，取得了非常好的效果。例如阿里、京東等電商平臺(tái)，都是其中的佼佼者。

由于該算法涉及到比較多的技術(shù)知識(shí)，在下也處于初步學(xué)習(xí)階段，就不班門弄斧做過多介紹了，有興趣的朋友可以自行進(jìn)行學(xué)習(xí)。

群組個(gè)性化推薦的第一步是將用戶分組，因此，采用什么樣的分組原則就顯得尤為重要。常見的分組方式有兩種。

先基于用戶的人口統(tǒng)計(jì)學(xué)數(shù)據(jù)（如年齡、性別等）或者用戶行為數(shù)據(jù)（例如對各種不同類型音樂的播放頻率）構(gòu)建用戶畫像。用戶畫像一般用于做精準(zhǔn)的運(yùn)營，通過顯示特征將一批人圈起來形成同一組，對這批人做針對性的運(yùn)營。因?yàn)榍邦^已經(jīng)提到此算法，這里不再重復(fù)介紹。

聚類是非常直觀的一種分組思路，將行為偏好相似的用戶聚在一起成為一個(gè)組，他們有相似的興趣。常用的聚類策略有如下兩類。

標(biāo)的物關(guān)聯(lián)標(biāo)的物就是為每個(gè)標(biāo)的物推薦一組標(biāo)的物。該推薦算法的核心是怎么從一個(gè)標(biāo)的物關(guān)聯(lián)到其他的標(biāo)的物。這種關(guān)聯(lián)關(guān)系可以是相似的（例如嘉士伯啤酒和喜力啤酒），也可以是基于其他維度的關(guān)聯(lián)（例如互補(bǔ)品，羽毛球拍和羽毛球）。常用的推薦策略是相似推薦。下面給出3種常用的生成關(guān)聯(lián)推薦的策略。

這類推薦方式一般是利用已知的數(shù)據(jù)和標(biāo)的物信息來描述一個(gè)標(biāo)的物，通過算法的方式將其向量化，從而根據(jù)不同標(biāo)的物向量之間的相似度來急速標(biāo)的物之間的相似度，從而實(shí)現(xiàn)相識(shí)標(biāo)的物的推薦。

在一個(gè)成熟的產(chǎn)品中，我們可以采集到的非常多的用戶行為，例如在電商平臺(tái)中，我們可以手機(jī)用戶搜索、瀏覽、收藏、點(diǎn)贊等行為，這些行為就代表了用戶對某個(gè)標(biāo)的物的某種偏好，因此，我們可以根據(jù)用戶的這些行為來進(jìn)行關(guān)聯(lián)推薦。

例如，可以將用戶的行為矩陣分解為用戶特征矩陣和物品特征矩陣，物品特征矩陣可以看成是衡量物品的一個(gè)向量，利用該向量我們就可以計(jì)算兩個(gè)標(biāo)的物之間的相似度了，從而為該用戶推薦相似度高的其他產(chǎn)品。

再例如， 采用購物籃的思路做推薦，這種思路非常適合圖書、電商等的推薦 。以電商為例，我們可以把用戶經(jīng)常一起瀏覽(或者購買)的商品形成一個(gè)列表，將過去一段時(shí)間所有的列表收集起來。對于任何一個(gè)商品，我們都可以找到與它一起被瀏覽或者購買的其他商品及其次數(shù)，并根據(jù)次數(shù)來判斷其關(guān)聯(lián)性，從而進(jìn)行關(guān)聯(lián)推薦。

我們可以對用戶進(jìn)行分組，同樣，我們也能夠?qū)?biāo)的物進(jìn)行聚類分組。通過某位參考維度，我們將一些列具有相似性的標(biāo)的物分成一組，當(dāng)我們?yōu)橛脩暨M(jìn)行推薦的時(shí)候，便可以將同一組內(nèi)的其他標(biāo)的物作為推薦對象，推薦給用戶。

笛卡爾積范式的推薦算法一般是先采用標(biāo)的物關(guān)聯(lián)標(biāo)的物范式計(jì)算出待推薦的標(biāo)的物列表。再根據(jù)用戶的興趣來對該推薦列表做調(diào)整（例如根據(jù)不同興趣的權(quán)重重新調(diào)整推薦列表的排序）、增加（例如基于個(gè)性化增加推薦對象）、刪除（例如過濾掉已經(jīng)看過的），由于其復(fù)雜程度較高在實(shí)際業(yè)務(wù)場景中應(yīng)用較少，這邊不再詳細(xì)介紹。

好了，本次的介紹就到此為止了。本次主要是做了一個(gè)非常簡單的推薦算法概述，在實(shí)際的業(yè)務(wù)場景中，還經(jīng)常需要與產(chǎn)品形態(tài)或者更多的未讀（如時(shí)間、地點(diǎn)等）相結(jié)合，是一個(gè)很有意思的領(lǐng)域，有興趣的朋友可以進(jìn)一步了解。

三、評價(jià)推薦系統(tǒng)的幾個(gè)標(biāo)準(zhǔn)

前言

推薦系統(tǒng)的評測指標(biāo)用于評價(jià)推薦系統(tǒng)的各方面性能。這些指標(biāo)（之前推送過一篇文章：《推薦系統(tǒng)的十二大評價(jià)指標(biāo)總結(jié)》，可以點(diǎn)擊查看）有的可以離線獲得，有的可以用戶調(diào)研獲得，有的只能在線獲得?，F(xiàn)在對于不同的指標(biāo)做下詳細(xì)的說明。

1.用戶滿意度

用戶作為推薦系統(tǒng)的重要參與者，其滿意度是評測推薦系統(tǒng)的最重要指標(biāo)。但是，用戶滿意沒有辦法離線獲得，只能通過童虎調(diào)查或者在線實(shí)驗(yàn)獲得。

2.預(yù)測精準(zhǔn)度

預(yù)測精準(zhǔn)度是度量一個(gè)推薦系統(tǒng)（或者推薦算法）預(yù)測用戶行為的能力。這個(gè)指標(biāo)是最重要的推薦系統(tǒng)離線評測指標(biāo)，從推薦系統(tǒng)誕生那天起，幾乎99%的于推薦系統(tǒng)相關(guān)的論文都在討論這個(gè)指標(biāo)。

在計(jì)算該指標(biāo)時(shí)需要一個(gè)離線的數(shù)據(jù)集，這個(gè)數(shù)據(jù)集包含了用戶的歷史行為記錄。然后將這個(gè)數(shù)據(jù)集通過時(shí)間分成訓(xùn)練集和測試集。最后，通過在訓(xùn)練集上面建立用戶的行為和興趣模型預(yù)測用戶在測試集上的行為，并計(jì)算預(yù)測行為和測試集上面的實(shí)際行為的重合度作為預(yù)測準(zhǔn)確度。

3.覆蓋度

它是描述一個(gè)推薦系統(tǒng)對長尾商品的發(fā)掘能力的。覆蓋度的定義方法有不同。最簡單的定義為推薦系統(tǒng)能夠推薦出來的商品占總商品集合的比例。

從上面的定義可以看到，覆蓋率是一個(gè)內(nèi)容供應(yīng)商（商家）會(huì)關(guān)心的指標(biāo)。這里以圖書為例，出版社可能會(huì)關(guān)心他們的數(shù)有沒有被推薦給用戶。覆蓋率為100%的推薦系統(tǒng)可以將每一本書推薦給至少一個(gè)用戶。此外，從上面的定義也可以知道，熱門排行榜（Top 100等等）的覆蓋率就很低。它只會(huì)推薦那些熱門的商品，而這些商品占總商品數(shù)的比例是很小的。一個(gè)好的推薦系統(tǒng)，不僅僅需要比較高的用戶滿意度，也要有較高的覆蓋度。

社會(huì) 學(xué)領(lǐng)域有一個(gè)著名的馬太效應(yīng)，所謂強(qiáng)者越強(qiáng)，弱者更弱的效應(yīng)。搜索引擎的PageRank算法也具有一定的馬太效應(yīng)，推薦系統(tǒng)的初衷是希望消除馬太效應(yīng)，讓商品都有被用戶瀏覽的機(jī)會(huì)，但是現(xiàn)實(shí)是主流的推薦算法（例如協(xié)同過濾算法）也是有馬太效應(yīng)的。

4. 多樣性

用戶的興趣是廣泛的，在一個(gè)視頻網(wǎng)站中，用戶可能既喜歡看《名偵探柯南》，也喜歡看成龍的功夫片，那么，為了滿足用戶廣泛的興趣，推薦列表需要能夠極可能的覆蓋用戶的不同興趣領(lǐng)域，即推薦結(jié)果要有多樣性。

關(guān)于推薦系統(tǒng)的多樣性最好要達(dá)到什么程度？可以通過一個(gè)例子說明。假設(shè)用戶喜歡看動(dòng)作片和動(dòng)畫片，且80%時(shí)間在看動(dòng)作片，20%時(shí)間在看動(dòng)畫片。那么，可以提供4中不同的推薦列表。A中10部動(dòng)作片，沒有動(dòng)畫片；B中10部動(dòng)畫片，沒有動(dòng)作片；C中8部動(dòng)作片，2部動(dòng)畫片；D中5部動(dòng)作片，5部動(dòng)畫片。在這個(gè)例子中，一般認(rèn)為C是最好的，它既考慮的多樣性，有符合用戶的歷史行為習(xí)慣。

5.新穎性

新穎的推薦是指給用戶推薦那些他們之前沒有聽過的物品。在一個(gè)網(wǎng)站中實(shí)現(xiàn)新穎性的最簡單的辦法是，把那些用戶之前在網(wǎng)站在對其有過行為的物品從推薦列表中過濾掉。評測新穎度的最簡單的辦法是利用推薦結(jié)果的平均流行度，因?yàn)樵讲粺衢T的商品越可能讓用戶覺得新穎。因此，如果推薦結(jié)果中物品的平均熱門程度較低，那么推薦結(jié)果就可能有較高的新穎度。

6.驚喜度

驚喜度是最近幾年推薦系統(tǒng)領(lǐng)域熱門的話題。但什么是驚喜度，驚喜度和新穎度有什么區(qū)別是首先要搞清的問題。

可以舉個(gè)例子說明這兩種指標(biāo)的區(qū)別。假設(shè)一名用戶喜歡周星馳的電影，然后我們給他推薦一部叫做《臨歧》的電影，二用戶不知道這部電影，那么這個(gè)推薦是有新穎性的。但是，這個(gè)推薦并沒有驚喜度，因?yàn)橛脩粢坏┝私庵苄邱Y的電影，就不會(huì)覺得奇怪。但是我們給他推薦一部《活著》，假設(shè)用戶沒有看過這部電影，那么他看完后覺得這部電影還不錯(cuò)，那么就可以說這個(gè)推薦讓用戶覺得是驚喜的。這個(gè)例子的基本意思就是，如果推薦結(jié)果和用戶的歷史興趣不相似，卻讓用戶覺得滿意，那么就可以說推薦結(jié)果的驚喜度很高，而推薦的新穎性僅僅取決于用戶是否聽過這個(gè)推薦結(jié)果。

7.可信度

如果你有兩個(gè)朋友，一個(gè)你很信任，一個(gè)滿嘴跑火車，那么如果你信任的朋友推薦你去A地方旅游，你很可能聽從他的推薦，但那位滿嘴跑火車的推薦你去A地方去旅游，相信你多半是不會(huì)去的。這兩個(gè)人可以看成兩個(gè)推薦系統(tǒng)，盡管他們推薦的結(jié)果相同，但你卻產(chǎn)生了不同的反應(yīng)，因?yàn)槟銓λ麄兊男湃味仁遣煌摹?/p>

提高推薦系統(tǒng)的信任度主要有兩種辦法。一是增加推薦系統(tǒng)的透明度，而增加透明度的主要辦法就是提供推薦解釋。只有讓用戶了解推薦系統(tǒng)的運(yùn)行機(jī)制，讓用戶認(rèn)可推薦系統(tǒng)的工作機(jī)制，用戶才會(huì)信任來自推薦系統(tǒng)的推薦。二是考慮用戶社交網(wǎng)絡(luò)的信息，利用好友的信息給用戶做推薦，并且用好友進(jìn)行解釋。這是因?yàn)橛脩魧λ麄兊暮糜延?jì)較信任，如果這個(gè)物品好友買過，那么他們對推薦結(jié)果就會(huì)相對比較信任。

8.實(shí)時(shí)性

在很多網(wǎng)站中，因?yàn)槲锲罚ㄐ侣?、微博等）具有很?qiáng)的時(shí)效性，所以需要在物品還有時(shí)效性的時(shí)候推薦給用戶。比如，給用戶推薦昨天的新聞顯然不如推薦剛剛發(fā)生的新聞。因此，在這些網(wǎng)站中，推薦系統(tǒng)的時(shí)效性就至關(guān)重要。

9.健壯性

任何一個(gè)能帶來利益算法系統(tǒng)都會(huì)被人攻擊。這方面最典型的例子就是搜索引擎。搜索引擎的作弊和反作弊斗爭異常激烈，這是因?yàn)槿绻约旱纳唐纺艹蔀闊衢T搜索詞語的第一個(gè)搜索結(jié)果，會(huì)帶來極大的商業(yè)利益。推薦系統(tǒng)也面臨這這個(gè)問題，而健壯性指標(biāo)衡量了一個(gè)推薦系統(tǒng)的抗擊作弊的能力。

四、無人自助棋排系統(tǒng)排名前幾位都有哪個(gè)

2022中國無人機(jī)十大品牌排行榜

(1)大疆DJI

DJI大疆創(chuàng)新致力于持續(xù)推動(dòng)人類進(jìn)步，自2006年成立以來，在無人機(jī)、手持影像、機(jī)器人教育及更多前沿創(chuàng)新領(lǐng)域不斷革新技術(shù)產(chǎn)品與解決方案，重塑人們的生產(chǎn)和生活方式，DJI大疆創(chuàng)新與全球合作伙伴攜手開拓空間智能時(shí)代，讓科技之美超越想象

(2)億航eHANG

億航智能是一家領(lǐng)先的智能自動(dòng)駕駛飛行器科技企業(yè)，能為多個(gè)行業(yè)領(lǐng)域客戶提供各種自動(dòng)駕駛飛行器產(chǎn)品和解決方案，是較早擁有體感操控功能的企業(yè)

(3)JOUAV

始創(chuàng)于2010年，工業(yè)級垂直起降固定翼無人機(jī)系統(tǒng)產(chǎn)品和行業(yè)整體解決方案知名供應(yīng)商，專注于為客戶提供智能化、標(biāo)準(zhǔn)化、項(xiàng)化的工業(yè)無人機(jī)系統(tǒng)的高科技企業(yè)

(4)極KXAG

極飛科技是一家以“提升全球農(nóng)業(yè)生產(chǎn)效率”為使命,構(gòu)建“無人化”農(nóng)業(yè)生態(tài)系統(tǒng)的智慧農(nóng)業(yè)科技公司，成立十幾以年來，極飛自主研發(fā)并制造了農(nóng)業(yè)無人機(jī)、農(nóng)業(yè)無人車、農(nóng)機(jī)自駕儀、農(nóng)業(yè)物聯(lián)網(wǎng)、遙感無人機(jī)、智慧農(nóng)業(yè)系統(tǒng)等智慧農(nóng)業(yè)產(chǎn)品線。

(5)飛馬機(jī)器人FEIMAROBOTICS

成立于2015年，國內(nèi)知名無人機(jī)品牌，立足國內(nèi)航測遙感無人機(jī)領(lǐng)域，集產(chǎn)品研發(fā)、生產(chǎn)和銷售于一體的科技型企業(yè)，致力于提供無人機(jī)軟硬件-體化解決方案和一站式空間數(shù)據(jù)系統(tǒng)服務(wù)。

(6)傲勢AOSSCI

成立于2015年，吉利科技集團(tuán)旗下，國內(nèi)無人系統(tǒng)技術(shù)自主創(chuàng)新的引領(lǐng)者，致力于向國內(nèi)外國土測繪、公共安全、電力巡線、資源勘探及環(huán)境保護(hù)等各個(gè)行業(yè)提供完整無憂的無人機(jī)系統(tǒng)解決方案，包括X系列、H系列無人機(jī)系統(tǒng)、地面站、飛控系統(tǒng)等關(guān)鍵子系統(tǒng)及無人機(jī)協(xié)同設(shè)計(jì)與仿真工具鏈等。

(7)易瓦特Ewatt

創(chuàng)立于2010年，全球領(lǐng)先的民用無人機(jī)系統(tǒng)制造商，打造民用無人機(jī)產(chǎn)業(yè)集群生態(tài)鏈，主要從事工業(yè)級無人機(jī)的設(shè)計(jì)、研發(fā)、生產(chǎn)、銷售與服務(wù)等。

(8)PowerVision臻迪

成立于2009年，以以工智能技術(shù)為核心，跨界空中、水面和水下的機(jī)器人公司，主要從事工業(yè)級無人機(jī)、消費(fèi)級無人機(jī)、水面及水下機(jī)器人的研發(fā)、制造、銷售和售后服務(wù)。

(9)道通智能

成立于2014年，2015年推出第一代無人機(jī)產(chǎn)品X-STAR，其EVOll系列折疊式無人機(jī)在消費(fèi)級無人機(jī)市場具有一定影響力，致力于為全球用戶提供品質(zhì)卓越、操作簡單、性價(jià)比高的創(chuàng)新型無人機(jī)產(chǎn)品。

(10)普宙GDU

普宙科技成立于2015年，研發(fā)、生產(chǎn)和銷售智能化重載、長航時(shí)無人直升機(jī)、工業(yè)級多旋翼無人機(jī)，并提供專業(yè)無人機(jī)行業(yè)應(yīng)用系統(tǒng)解決方案的高科技企業(yè)。

公眾號1：southmoney

客服號：southmoneycom

公眾號3：zaiyunli

南方財(cái)富網(wǎng)聲明：資訊來源于合作媒體及機(jī)構(gòu)，屬作者個(gè)人觀點(diǎn)，僅供投資者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風(fēng)險(xiǎn)自擔(dān)。投訴