1、“.....其中，需要计算的推荐并且被下载的数量含义为对用户预测的结果中真正被用户实际下载的数量，这部分取推荐集合与下载集合的交集。用户下载总量即为用户在评测集内总共下载数量，系统推荐的总量为以上两种推荐模型对每个用户推荐的总量，其中对每个用户的推荐数量为个，对比算法中不同算法模型的推荐量应当保持致。通过对比实验选择算法模型对于选择什么样的算法模型，设计了多组对比实验，控制其他变量不变，选择不同的算法模型，比较各自的推荐效果。实验表明，基于逻辑回归的混合推荐是较为理想的模型。其中对比实验主要包括基于协同过滤的推荐与基于逻辑回归的混合推荐实验对第四章算法设计与实现比基于社交网络的推荐和基于逻辑回归的混合推荐对比使用热榜推荐与算法模型对比实验等，这里首先介绍前两对对比实验，第三组使用热榜对比推荐与算法模型对比实验由于具有定的特殊性，放在实验展望中进行说明。每个实验设计都由实验目的实验背景和设计思路实验结果四部分组成。实验目的表明此次实验要达到什么样的结果......”。

2、“.....实验背景和设计思路部分介绍了该实验所采用的算法模型所遇到的实际问题为什么针对这样的问题我们要采用该算法模型，或者我们要在哪些方面改进该算法模型特征选取样本采样方式缺失值填充等，为什么要采用这样的改进方式等等。应该说实验背景和设计思路部分是整个实验的完整思路，指导实验设计部分进行相关实验的实施。实验结果部分记录了实验得出的重要数据，并对数据结果进行相关解释，继而在此基础上挖掘出当前实验得出的结论或者要优化的方向。另外，实验中的评测都选择准确率和召回率作为评测指标。两者越高越好，在不降低的前提下尽量提升。对比实验基于协同过滤的推荐和基于逻辑回归的混合推荐实验目的对比协同过滤推荐和基于逻辑回归推荐的评测效果，选出评测效果较好的。在选定算法模型之前，我们需要针对候选的些算法模型进行甄选，选出评测表现较好的。对于较好的，我们着重考虑是否使用，对于评测较差的我们将分析原因，然后同时对两者的优化空间做出预期判断，从而决定如何选择算法模型......”。

3、“.....由于文章综述方面已经对两者做了比较详细的介绍，这里只对其中比较重要的概念部分提炼出来，并且紧密当前的实验问题，用以表明实验所选取的模型背景突出特点基于协同过滤的推荐在工业界得到广泛的应用，它可以根据用户对于内容或物品的偏好，发现他们之间相关性高的用户，或者相关性高的内容或物品，然后依据这些相关性进行推荐。最简单的相关度计算方式是基于用户之间相似的对物品的历史打分，有着相似打分的用户，我们认为是具有相似口味的。通过相似人群形成推荐，这也就是为什么被称作协同的原因。这种方法计算简单且有效，因此被广泛使用。在本问题中，基于协同过滤的推荐首先要构造用户的用户项目评分矩阵，此处北京大学硕士学位论文用户是指在特定日期内在游戏应用中心首页有下载行为的用户为了和基于逻辑回归的混合推荐有共同的用户集合，我们选取了这部分用户，项目是指游戏应用中心内所有游戏应用中心只收录游戏有关，都是我们的推荐对象......”。

4、“.....如果下载或者安装过，对其打分为，否则打分为，采用这样的二值打分法。传统的协同过滤会考虑对于项目的评星，这里的评星是指游戏应用中心的用户在游戏安装后可以对游戏进行打分反馈，分值为分的自然数，其中星代表评分最低，星代表最高分值。但是当时我们没有用户对每款的评星记录，因此暂时不作考虑。另外这里面也存在定的风险，很多游戏存在定的刷榜现象，例如为了使得自己的游戏能够有个好的评星分值，会雇佣大量的刷榜人员进行高分值评价，这在类似的应用分发平台是个普遍现象，同时这在定程度上影响了游戏评分的客观性。因此和公司实行了许多反作弊策略来规避这方面的风险。小米游戏中心也正在做这方面的努力，希望以后可以做得更加完善，评星部分暂时不作考虑，只使用二值打分基于协同过滤的推荐评分矩阵在基于协同过滤的推荐中，采用的协同过滤推荐同时我们也在上尝试过采样实验，效果不如，评分机制采用在游戏中心下载过，或者曾经安装过的记为，除此之外记为......”。

5、“.....为准确率。通过观察实验记录发现，基于逻辑回归的混合推荐在评测表现上更胜筹基于的协同过滤推荐质量较差，可能是与可以利用的信息较少有关。许多典型的信息，例如每个人对于游戏的评分，由于游戏中心并没有相关记录，我们短时间内拿不到，制约了信息的扩充。另方面，出于长远考虑，可以将协同过滤的推荐结果作为维放入基于逻辑回归的混合推荐中。所以最终在两者之中倾向选择基于逻辑回归的混合推荐。第四章算法设计与实现对比试验二基于社交网络的推荐和基于逻辑回归的混合推荐实验目的对比基于社交网络的推荐和基于逻辑回归的混合推荐的评测效果，选出评测效果较好的。在选定算法模型之前，我们需要针对候选的些算法模型进行甄选，选出评测表现较好的。对于较好的，我们着重考虑是否使用，对于评测较差的我们将分析原因，然后同时对两者的优化空间做出预期判断，从而决定如何选择算法模型。实验背景和设计思路算法模型方面我们主要选取了社交网络的算法模型和基于逻辑回归的混合算法模型......”。

6、“.....这里只对其中比较重要的概念部分提炼出来，并且紧密当前的实验问题，用以表明实验所选取的模型背景突出特点基于社交网络的推荐需要对基于社交网络的推荐正是基于分析社交网络中人与人之间关系的基础上，挖掘出相似人群，并形成推荐。社交网络中的推荐主要研究用户与物品之间物品与物品之间用户与用户之间的关系。小米手机标配米聊，具有天然的好友关系，虽然用户覆盖率与微信相差较多，但仍有大约万的用户使用，这部分数据具有很高的使用价值。试想我们最常联系的好友绝大多数与我们属于同个圈子，人以群分，大多数人也应该具有相似的口味，因此将彼此喜欢玩的游戏进行推荐，理论上是非常有道理的。基于社交网络的推荐模型在本实验中，我们的社交网络主要是指米聊，米聊作为小米手机的标配，拥有定数量的使用群体，其中的好友关系建立在熟人圈的基础上，与微信相似是强相关关系，因此米聊的好友关系具有很高的使用价值。具体而言，我们可以抽取用户好友中最常联系的个好友，将他们的使用不同游戏的频次加总，排序后推荐给该用户......”。

7、“.....我们的构造思路与对比实验相同，包括所选取的等。但是其中有点不同时样本集合不同游戏应用中心每天产生万左右的下载量，其中有万下载集中在首页，我们的目标就是提升游戏应用中心首页的下载率，因此使用首页的下载数据。首页下载的用户数量每日在二十几万左右，如果取天的数据大约在万左右。对于基于社交网络的推荐模型，它的用户集来自用户的米聊好友，现在可以使用的米聊好友数约有万。对两者取交集后，发现天的用户数量大约在万左右。实验结果表对比实验二结果北京大学硕士学位论文基于社交网络的推荐基于逻辑回归的混合推荐通过观察实验记录发现，基于逻辑回归的混合推荐在评测表现上更好些，而基于社交网络的推荐效果略低，这可能也与社交网络的推荐所使用的信息较少有关。另方面，同样是出于长远考虑，可以将社交网络的推荐结果作为维放入基于逻辑回归的混合推荐中。所以最终在两者之中倾向选择基于逻辑回归的混合推荐。在进行了两组对照实验之后，对于推荐系统的开发的第阶段的主要模型定位为基于逻辑回归的混合推荐......”。

8、“.....将会逐步考虑与其他算法模型的融合。算法模型效果提升选定算法模型基于逻辑回归的混合推荐模型后，为了对最终评测效果进行提升，我们设计了多项实验，这里对其中四项实验进行阐述。基于逻辑回归的混合推荐是我们在对比实验中挑选出的模型，也是推荐系统第阶段要建设的重点。众所周知，建设个推荐系统是项非常困难也是耗时较久的过程，往往伴随着个团队进行数年时间的摸索逐渐成型。究其原因，是因为在搭建系统的过程中需要不断地进行改进实验，实验往往不是次性就成功地，在探索未知的过程中我们的实验效果有可能会出现倒退，换种思路后再进行实验或许才会有所提升，实验就是不停地试错改进试错再改进的过程。改进实验的总体思路是根据推荐效果总结当前不足或者不合理的地方，然后有针对性地进行改进。因此改进的方案也多种多样，接下来在实验实施中结合具体情况进行分析。本部分包含了四项提升实验，根据实验结果说明了我们遇到了什么样的问题，以及为什么我们要采取这样的措施进行提升......”。

9、“.....这是从广告学中常用到的词汇，通俗点来说就是点击率的概念，在本文中考虑的是下载，因观认知非常相符。原因在于加入个性化特征之后，达到了万维度的特征，对于逻辑回归的混合推荐模型而言，越高维度的特征描述的精细度越高，因此对最终的效果有非常有效的提升。基于逻辑回归的混合推荐正在改进之处基于逻辑回归的混合推荐在不断地优化之后有了不错的效果提升，但是如果单纯与热榜即使用下载榜的前位作为推荐相比，召回率和准确率都要差些。原因可能在于，方面热榜中的游戏总能够被有效地展示在用户面前，下载率较高，而推荐的游戏由于采用离线测试，并没有实际进行线上曝光，评测效果大打折扣另方面，游戏中心的用户在选择游戏时，倾向于选择流行度较高的。但是热榜并不具有任何个性化因素，所以即使当下并没有超越热榜的表现，在个性化和推荐效果上来看已经具有不错的效果。因此，如今正在结合诸如看了又看资讯新闻广告位投放等产品进行线上实验，可以更好地覆盖用户的长尾需求。因此......”。