关于推荐算法训练集和测试集的问题

Question

最近在学习基于物品的协同过滤的推荐算法，是基于评分预测的，数据用了movielens,发现大部分网上的实现都划分了测试集和训练集，我目前的理解是这样的

1. 把所有user-movie-rate划分测试集和训练集
2. 使用训练集计算物品相似矩阵
3. 使用该相似矩阵给测试集中的user-movie项目预测评分，并与测试集中的真实评分比较，评估算法指标(RMSE,MSE等)

首先不知道以上理解有没有错误？其次，如果要应用到实际推荐中，也就是要给所有user-movie都预测评分，是不是直接使用训练集得出的相似度矩阵来预测整个数据集即可？ 测试集是否仅仅是为了评估算法性能的呢

Answer 1

上面的理解没有问题，训练集可以预测user对movie的评分，然后测试集验证结果。
实际推荐系统中不太会去计算user对每个movie的得分，一方面由于矩阵太大，另一方面user和movie一直都是增加的，一直更新全部关系成本高且收益小。简单的方法可以根据cf计算movie与movie的相似度，然后根据user对movie的兴趣进行相似movie的召回