Leave-one-out交叉验证可能是解决这个问题的最直接的方法。如果您碰巧使用的模型需要大量时间来训练，那么将 n% 排除在外可能更合适。

该方法包括消除一个已知评级并尝试预测它。如果要删除 n% 的评分，只需随机选择它们，而不是选择每个用户评分的特定数量。并保持 n 非常小 - 大约 10% 或更少。

这是推荐系统交叉验证方法的一个很好的处理方法，协作推荐系统的评估方法。一般来说：

Holdout 是一种将数据集分成两部分的方法：训练集和测试集。这些集合可以有不同的比例。在推荐系统的设置中，分区是通过从所有（或部分）用户中随机选择一些评级来执行的。选择的评分构成测试集，而其余的评分是训练集。这种方法也称为留空法。在 [17] 中，Sarwar 等人。将数据集分成 80% 的训练数据和 20% 的测试数据。在 [18] 中，选择了训练和测试之间的几个比率（从 0.2 到 0.95，增量为 0.05），并且对于每个比率，使用不同的训练和测试集重复实验十次，最后取平均结果。在 [13] 中，测试集由 10% 的用户制作：测试集中每个用户的 5 个评分被保留。

留一法是在留一法中设置k=1得到的一种方法。给定一个活跃用户，我们依次保留一个评分项目。学习算法在剩余数据上进行训练。保留元素用于评估预测的正确性，并对所有评估的结果进行平均，以计算最终的质量估计。这种方法有一些缺点，如过拟合和计算复杂度高。该技术适用于评估模型对已注册为系统成员的用户的推荐质量。卡里皮斯等人。[10] 通过为每个用户随机选择一个非零条目和剩余的条目进行训练，采用了简单版本的留一法创建测试集。在 [7] 中，Breese 等人。

保留方法的一个简单变体是 m 折交叉验证。它包括将数据集划分为 m 个独立的折叠（使折叠不重叠）。反过来，每个折叠仅使用一次作为测试集，其余折叠用于训练模型。根据[20] 和[11]，建议的折叠数为10。该技术适用于评估新用户（即不属于模型的用户）加入系统时模型的推荐能力。通过选择合理的折叠数，我们可以计算均值、方差和置信区间。

希望这可以帮助！