Como verificar a qualidade das recomendações sem dividir os dados em treino e teste?

Se não for possível dividir os dados em treino e teste, pode-se usar métodos de avaliação da qualidade das recomendações sem uma divisão explícita, por exemplo:

• Validação cruzada: dividir os dados em várias partes e usar cada uma como teste, as demais como treino.
• Avaliação com base em métricas offline: usar métricas que não requerem um conjunto de teste separado, como Precision@K, Recall@K, MAP, NDCG, calculadas com base em dados históricos.
• Uso de testes A/B: se o sistema já estiver em funcionamento, pode-se avaliar a qualidade das recomendações em usuários reais, comparando diferentes variantes.
• Métodos de bootstrap: amostragem aleatória com reposição para avaliar a estabilidade do modelo.

Dessa forma, mesmo sem uma divisão explícita train/test, é possível obter uma ideia da qualidade das recomendações usando métodos estatísticos e experimentos online.