众里寻他上百度，暮然回首，那人却在，推荐引擎处！辛弃疾一撇的词句，既暗示了搜索引擎和推荐引擎的区别，又点出了理想的推荐引擎的效果。

推荐系统既要精确把握用户体验，又要给用户惊喜，发掘用户自己都很难描述的趣意。做好一个推荐系统，的确很难。郁筱和琳媛的文章，从准确度、多样性、新颖性、覆盖率等多个方向详尽介绍了评价推荐系统的各种指标，这些指标的应用范围亦不仅仅局限于推荐系统，还可包括数据挖掘和信息过滤的很多方面。Herlocker等人在ACM汇刊，Adomavicius等人在IEEE汇刊，琳媛等人在Physics Reports上都有过相关的综述，但是均远远不及本文系统完整。

曾有业界人士咨询我推荐系统的评价问题，我当时费了老半天口舌，现在简单了，让他们把表2用A1的大纸打印出来，贴在公司的玻璃幕墙上，内容向里。以后研发的团队每天面朝指标，春暖花开。

两位作者文章还有一个看点，就是文末提出的五个问题，这些问题已经不再局限于评价指标，而是剑指推荐系统研究最基本的具有共性的问题。

回到评价上，我个人认为有三个层次，一是基于数据的指标，本文讲得很完整了；二是商业应用上的关键表现指标，譬如受推荐影响的转化率，购买率，客单价，购买品类等等，这些业界人士感兴趣；三是用户真实的体验。第三层面最难，没人能知道，只能通过第二层面来估计；如何建立第一层面和第二层面指标之间的关系，就成为了关键，这一步打通了，理论和应用之间的屏障就通了一大半了。

【近期将给出全文下载链接】