推荐系统中的时间表
首先，本文提出了一种称为及时性的新测量标准，以衡量市场上新清单或长期销售的程度。$ $ $ talpha = frac {1} {1} {kalpha} sum {iin ualpha}（t_ {t_ {ialpha} -t0）ag {1} $ $，$ kalpha $指示有多少用户选择项目$ alpha $;这是项目$ alpha $的用户集合；$ t {ialpha} $是用户$ i $ selected项目$ alpha $的时间;$ t_0 $是数据集的最早数据。根据该定义，如果一个项目出现很久以前，但最近已被许多用户选择，其及时性仍然很高。因此，该项目的时间性质在可以评估用户$ i $的建议列表作为评估建议结果的指标。$ ti ti（l）= frac {1} {l} {l} sum {alpha in o^i} talpha ag {2} $ o$ talpha $是物品$ alpha $的及时性；$ o_i $代表用户$ i $推荐列表；$ l $是推荐列表的长度。推荐算法的及时性是由所有用户的$ t_i（l）$获得的。建议用户$ i $的所有项目的及时算术平均值。
使用以上两个指标，将建议算法定义为建议算法$ i $ alpha $ $ $ f {ialpha} $的分数。在大多数算法中，它的改进非常直接，并且表示为：$ $ ilde {f {ialpha}} = f {ialpha} imes talpha ag {3} $。$。此外，改进的建议评分指数不涉及该算法的详细信息，因此可以在几乎所有类似建议的应用程序中使用。
此外，考虑项目的时间顺序不合适，然后使用随机分割来分配数据集。替换方法是按时间轴排序，较早的数据为训练集，然后延迟到测试集中。根据实际情况，分区比率可以为91分（即Zhang等，2017）等。
以下指标全部用于TOPL（即TOPN，用于统一表达式）建议列表
一个经典指标之一。对于目标用户$ i $，其推荐列表中的项目$ alpha $的顺序表示为$ r_ {i alpha} $，所有前所未有的项目的数量为$ ni $。$ ialpha $指示一个用户项目，正确，有：$ $ rs {ialpha} = frac {r_ {ialpha}}} {n_i} ag {4} $ $用于计算整个测试set.rs = frac {1} {1} {|ep |} sum {ep} rs {ialpha} ag {5} $ $的sum {ialpha显然，$ rs $的值越小，推荐算法的准确性就越高
实际上，推荐系统仅显示每个用户最相关的对象的简短列表。因此，这是一个更实用的问题，是否符合用户的利益。准确性（P）指标旨在评估在这方面，建议算法的准确性。对于单个用户$ i $的推荐列表，有：$ $ p_i（l）= frac {d_i（l）} {l} {l} ag {6} $d_i（l）$代表用户$ i $。在TOPL建议列表中选择的项目数量。总体精度是通过计算所有个人准确性获得的。
多样性有几种不同的措施。
个性化和个性化程度衡量了两个用户的建议列表之间的差异。通常，锤距可用于测量，两个不同的用户$ i $和$ j $，带有$ c，{ij}（l）$表示两个不同建议列表中相同项目的数量。距离计算公式为：$ $ d {ij} = 1-frac {c {ij}（l）} {l} agg {7} $ $ d {ij} $范围$ lbrack 0,1的值 在奶头$上，所有用户之间的距离等于整个测试集$ d（l）$的个性化程度。个性化程度越高，建议结果的建议结果越好
意外和惊喜测量推荐列表中物品的平均普及。由于用户可能已经从其他渠道中知道了这种流行物品，如果出现的话，可能根本不会有很多惊喜。因此，惊喜实际上可以衡量发掘的能力非广泛项目的非广泛项目。$ oi $表示用户$ i $的建议列表；$ kalpha $表示生产$ alpha $或已连接的用户数量。显然，$ k_alpha $ the the较大，是受欢迎的物品。Ag {8}总体惊喜和计算平均得出。
本文中使用的数据来自Grouplens和Netflix。在某些数据进行预处理后，在上述各种指标上，根据及时以及两种不同的数据集除法方法，对多种不同的经典TOPL建议算法进行了测试。
结果表明：