准确率为：
这里用更加形象的方法表示，将数据分成四个部分 A，B，C，D
R(u) = A + B;
T(u) = A + C;
Recall = A / (A + C)
Precession = A / (A + B)
4.评测指标——覆盖率
覆盖率描述了推荐系统对物品长尾的发掘能力，高的覆盖率表示推荐系统可以推荐一些长尾部分的物品，这是物品提供商比较关心的。对覆盖率一个简单定义为推荐系统能够推荐出来的物品占总物品I的比例，假设系统用户集合为U，为每个用户u推荐物品为R（u）,那么推荐系统覆盖率可以表示为：
5.评测指标——多样性
用户的兴趣是广泛的，因此推荐系统推荐给用户的物品也应该是多样的。比如，用户爱看的书不仅有历史文学书，也可能有心理专业书，且看的比例约为7：3，所以在推荐的时候，也应该考虑为用户推荐这两类书籍，且比例也约为7：3。
6.评测指标——新颖性
新颖性即推荐给用户他们之前不知道的物品，将用户有过行为的物品从推荐表中剔除掉。评测新颖性的最简单方法是利用推荐结果的平均流行度，即推荐的物品的平均热门程度越低，其新颖性越高。
7.其他
三、协同过滤介绍
协同过滤就是指用户可以齐心协力，通过不断地和网站互动，使自己的推荐列表能够不断过滤掉自己不感兴趣的物品，从而越来越满足自己的需求。
显性反馈：用户明确表示对物品喜好的行为。这要方式是评分和喜欢/不喜欢。
隐形反馈：不能明确反应用户喜好的行为。（购买日志、阅读日志、浏览日志）
四. 基于用户的协同过滤算法（UserCF）算法核心：当一个用户A需要个性化推荐时，可以先找到他有相似兴趣的其他用户，然后把那些用户喜欢的、而用户A没听过的物品推荐给A。
a) 找到和目标用户兴趣相似的用户集合
b) 找到这个集合中的用户喜欢的，且目标用户没有听说过的物品推荐给目标用户。
步骤(a)的关键就是计算两个用户的兴趣相似度。这里，协同过滤算法主要利用行为的相似度计算兴趣的相似度。给定用户u和用户v，令N(u)表示用户u曾经有过正反馈的物品集合，令N(v)为用户v曾经有过正反馈的物品集合。那么，我们可以通过如下的Jaccard公式简单地计算u和v的兴趣相似度或者通过余弦公式：
jaccard 余项公式：
这个一个行为记录 我们可以根据余弦公式计算如下