自定义博客皮肤VIP专享

*博客头图：

点击选择上传的图片

格式为PNG、JPG，宽度*高度大于1920*100像素，不超过2MB，主视觉建议放在右侧，请参照线上博客头图

请上传大于1920*100像素的图片！

博客底图：

点击选择上传的图片

图片格式为PNG、JPG，不超过1MB，可上下左右平铺至整个背景

栏目图：

点击选择上传的图片

图片格式为PNG、JPG，图片宽度*高度为300*38像素，不超过0.5MB

主标题颜色：

RGB颜色，例如：#AFAFAF

Hover：

RGB颜色，例如：#AFAFAF

副标题颜色：

RGB颜色，例如：#AFAFAF

预览取消提交

自定义博客皮肤

-+

上一步保存

藏知阁

娱乐博主

12月 11月 08月 05月 02月

原创机器翻译评价指标之BLEU详细计算过程

1. 简介BLEU（Bilingual Evaluation Understudy），相信大家对这个评价指标的概念已经很熟悉，随便百度谷歌就有相关介绍。原论文为BLEU: a Method for Automatic Evaluation of Machine Translation，IBM出品。本文通过一个例子详细介绍BLEU是如何计算以及NLTKnltk.align.bleu_scor

2017-02-24 23:35:47 52734 20

原创 MySQL备份入门

MySQL备份入门

2017-02-23 19:14:47 347

原创 MongoDB入门

MongoDB入门

2017-02-20 20:52:46 291

LSTM详细计算过程.pptx

LSTM详细计算过程.pptx

2021-10-17

jpmml-lightgbm-executable-1.3.7.jar

jpmml-lightgbm-executable-1.3.7.jar

2021-10-11

Android源码下载工具repo

下载Android源码必须工具 version 1.21

2015-01-08

LoaderManagerExample

LoaderManagerExample

2014-09-25

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

手撕机 CSDN认证博客专家 CSDN认证企业博客

码龄12年

人工智能领域新星创作者

IP 属地：广东省

IP属地以运营商信息为准，境内显示到省（区、市），境外显示到国家（地区）

135: 原创

3380: 周排名

99万+: 总排名

179万+: 访问

: 等级

6425: 积分

2万+: 粉丝

832: 获赞

306: 评论

3670: 收藏

私信

关注

热门文章

分类专栏

Linux 1篇
Spark 5篇
CentOS 1篇
Keras 1篇
TensorFlow 2.0 2篇
Python 1篇
PyQt5 4篇
Java
推荐系统 4篇
评价指标 2篇
深度学习 1篇
PMML 1篇
基础算法 1篇
GraphX 1篇
运筹 1篇
机器学习 5篇
Hive 1篇
C++
TensorFlow 1.0 11篇
计算机网络
笔记 33篇

最新评论

搜索推荐评价指标Precision@k、Recall@k、F1@k、NDCG@k
m0_57914665: 在信息检索和推荐系统中，`TP@k`（True Positives @ k）和`FN@k`（False Negatives @ k）是评估推荐系统性能时使用的术语，特别是在二分类或多分类任务中。它们分别代表在前k个推荐结果中真正的正例数量（真正相关或用户真正感兴趣的项目数量）和未被推荐但实际相关的项目数量。 - **TP@k (True Positives @ k)**: 在推荐系统的前k个推荐结果中，实际被正确推荐的相关项目的数量。这些是系统正确识别并推荐给用户的项目。 - **FN@k (False Negatives @ k)**: 在推荐系统的前k个推荐结果之外，但实际上相关的项目数量。这些是系统未能推荐给用户的相关项目。 ### 示例假设在一个推荐系统中，我们有一个用户的测试集包含10部相关电影（用户会喜欢的电影）。系统推荐了10部电影作为推荐列表（k=10）。 - 如果在这10部推荐电影中有7部确实是用户会喜欢的，那么 `TP@10` 就是7。 - 假设测试集中还有3部相关电影没有被推荐，那么 `FN@10` 就是3。 ### 公式 - **TP@k**: \[ \text{TP@k} = \sum_{i=1}^{k} \mathbf{1}_{\{\text{第 } i \text{ 个推荐项目是相关的}\}} \] 这里 \(\mathbf{1}_{\{\cdot\}}\) 是指示函数，如果条件满足则为1，否则为0。 - **FN@k**: \[ \text{FN@k} = \sum_{\text{所有相关项目}} \mathbf{1}_{\{\text{项目不在前 } k \text{ 个推荐中的}\}} \] ### 使用场景 - **TP@k** 被用于计算精确率 (`Precision@k`) 和 F1 分数 (`F1@k`)。 - **FN@k** 被用于计算召回率 (`Recall@k`) 和 F1 分数。通过计算 TP@k 和 FN@k，我们可以进一步分析推荐系统的性能，并据此调整推荐算法以优化用户体验。
搜索推荐评价指标Precision@k、Recall@k、F1@k、NDCG@k
道与计算机编程: 作者对搜索结果评价指标的理解是不是有点点问题，以Precision@3为例，2/3的结果完全不能代表任何情况下搜索任务的精确度，你能明白我的意思么？因为你的这种计算方法只考虑了单次搜索，对评价整体任务看起来并没有意义。欢迎讨论
[TensorFlow笔记] 获取Tensor的维度（tf.shape(x)、x.shape和x.get_shape()的区别）
书店莫得: 解决问题，感谢博主分享，写的很清晰明了。赞
机器翻译评价指标之BLEU详细计算过程
HIT_胡森林: 应该是对结果扩大了100倍
解码之Beam Search算法
@__Chao - L: 有没有实现代码？

最新文章

提示

确定要删除当前文章？

取消删除