10.5 推荐算法与效果评价
不同应用场景中推荐算法的评估方式不一定相同，主要集中在五个方面：
1、准确率、召回率及覆盖率评价
2、流行度与多样性评价
3、推荐结果序列评价
4、新颖性与创新评价
5、用户满意度
对于推荐算法，很多企业也在不断地通过用户画像的方式刻画用户特征，从而不断改进推荐系统。通过用户画像的方式可以有效地解决如下三个方面的问题：
1、通过各个渠道绘制用户画像，可以较好地解决冷启动问题。
2、通过用户画像可以丰富完整的用户特征信息，为更广泛的推荐提供信息基础。
3、构建更加丰富完整的用户特征信息，为更广泛的推荐提供信息基础。
推荐算法与关联规则分析在某种程度上相似，都利用了大众用户的行为记录，关联性规则分析也可以用于辅助推荐，它们之间的差异：
1、推荐算法尤其是协同过滤推荐是基于一种间接性的推荐；而关联规则分析则是对直接性的分析。
2、推荐算法的推荐过程比较复杂，不仅与物品本身属性有关，还与个人的喜好兴趣有很大关系；而关联规则分析过程与个人的喜好或者兴趣无关，更多地倾向于基于大众用户的行为分析物品之间的潜在关系。
