MAE có cùng tỷ lệ đánh giá ban đầu , ví dụ đánh giá ở thang 5 sao đƣợc biểu diễn bằng số nguyên trong đoa ̣n [1,5], một MAE là 0,7 có nghĩa là thuật toán trung bình bị giảm 0,7 sao. Điều này hữu ích cho việc hiểu kết quả trong một ngữ cảnh cụ thể, nhƣng làm cho việc so sánh các kết quả trên các bộ dữ liệu rất khó khăn vì chúng có các phạm vi đánh giá khác nhau (sai số 0,7 sẽ có ý nghĩa hơn khi xếp hạng ở [1,5] hơn khi chúng ở [-10,10]). Do đó, Lỗi tuyệt đối trung bình đƣợc bình thƣờng hóa (Normalized Mean absolute error - NMAE) đôi khi đƣợc sử dụng để giải quyết sự thiếu hụt này. NMAE chuẩn hóa lỗi bằng cách phân chia theo phạm vi xếp hạng có thể (rhigh và rlow là các xếp hạng tối đa và tối thiểu trong hệ thống), kết quả là một số trong khoảng [0,1] cho tất cả thang đánh giá: 1 1 | | ( ) n ui ui u high low NMAE r r n r r Trong đó:
+ rui là đánh giá thực tế của ngƣời dùng u cho sản phẩm i.
+ rui là đánh giá dự đoán của ngƣời dùng u cho sản phẩm i (do hệ thống khuyến nghị đƣa ra).
+ n là tổng số dự đoán đánh giá.
Kết quả của NMAE khó giải thích về quy mô xếp hạng ban đầu nhƣng có thể sƣ̉ du ̣ng để so sánh đƣợc giữa các thang đánh giá khác nhau. Do đó chúng rất hữu ích trong việc đo lƣờng kết quả của các bô ̣ dƣ̃ liê ̣u có có đă ̣c trƣng khác nhau.
CHƢƠNG 4: THỰC NGHIỆM VÀ ĐÁNH GIÁ
Mục tiêu chính của chƣơng này là thực hiện giải pháp KNN và giải pháp thừa số hóa ma trận trên tập dữ liệu mô phỏng thuê bao di động đăng ký dịch vụ VAS. Các kết quả thu đƣợc dùng để làm căn cứ so sánh và đánh giá hiệu quả của hai thuật toán trong việc xây dựng hệ thống khuyến nghị sản phẩm dịch vụ VAS.
KNN là phƣơng pháp đơn giản và chạy nhanh, nó tỏ ra hiệu quả khi dữ liệu lớn và có nhiều thông tin. Phƣơng pháp MF có độ chính xác cao và phù hợp với tập dữ liệu thƣa.