1、概念
用户列表：所有用户构成的集合
商品列表：所有商品构成的集合
用户行为：
- 显反馈（打分）：精确
- 隐反馈（浏览日志、观看日志、购买日志等）：量大
用户活跃度：用户交互的商品数
商品流行度：商品交互的用户数
长尾分布：越流行的商品，流行商品数越少；推荐冷启动一般推荐流行度高商品，一般情况推荐不流行商品
训练数据：用户和商品的交互关系列表
历史数据分出一大部分作为训练数据
测试数据：对训练出的模型测试
也是源自历史真实数据
模型：算法
2、指标
1、用户满意度：用户对推荐系统的满意程度，通过对用户调查或在线实验得到
2、方差：实际评分和推荐计算评分的差的平方和开方的平均值（多用）
用户 u 对商品 i 的评分
3、平均绝对误差
4、召回率：召回即找回
5、精确率
6、覆盖率：对所有用户进行推荐后，推荐的商品数总和 / 商品的总和
7、信息熵：衡量数据分布
p(i) 商品的流行度，一般是相对流行度，交互该商品的用户数，用户数越多，商品越流行；与此相对是用户活跃度，该商品交互的商品个数
8、基尼系数：衡量数据分布
9、多样性：推荐列表中物品两两之间的不相似性。多样性和相似性是对应的，假设s(i,j)E[0,1]定义了物品i和j间的相似度，则用户u的推荐列表R(u)的多样性定义：
10、新颖性：给用户推荐他们以前没有听说过的商品
11、惊喜度
12、信任度
13、实时性
14、健壮性