关于召回率和hit rate

最新推荐文章于 2024-05-20 17:44:55 发布
最新推荐文章于 2024-05-20 17:44:55 发布
阅读量5.6k 收藏 3
点赞数 4
分类专栏： NLP与推荐算法 文章标签： 推荐召回 召回率 hit rate recall
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/SPESEG/article/details/106041931
版权
本文探讨了召回率在推荐系统中的具体含义，指出用户感兴趣的商品不一定是他们已经看过的。召回率受预测的item数量影响，数量越多，召回率越高。在实践中，选择合适的召回个数是个工程细节，而某些计算方法可能与标准的召回率公式不同，导致理解上的差异。同时提到了在GNN中的应用，并提供了相关讨论群组的信息。
摘要由CSDN通过智能技术生成

召回率：之前说过，这个博文中也详细说了，【实际为正例的（positive）有多少预测为正例】

这里还是要说下，在推荐中的具体含义。

从数据库中筛出来几百个用户感兴趣的item，这就是召回的过程，其中一个关键词是：用户感兴趣

什么是用户感兴趣的item，用户看过的？不一定，用户看过的再推一次就不一定感兴趣了，这就是长期兴趣和短期兴趣的问题，

比如我喜欢张国荣，即使很多我已经看过的视频，再推一次我还是会看的，当然这个时间间隔不能太短，我刚看完，你就又推同一个视频肯定不行（这里是不是有一个去重的过程，一般召回阶段不考虑吧）

短期兴趣的话就是及时的，我这时感兴趣可能就是因为我听到或者突然间接触到的，搜索了一下，你不能以后每天就推同一类东西给我吧，随着时间的delay的话，这个应该有权重问题吧。

啥是用户感兴趣的呢？

我看过同一类的东西，你给我推荐同一类的或者相似度很高的，这是我所喜欢的，当然如果用户感

了解本专栏 订阅专栏 解锁全文 超级会员免费看
小李飞刀李寻欢
关注
  • 4
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
协同过滤算法的召回率、准确率、覆盖率、新颖度
LDC，公众号【轻松学编程】
05-21 854
python版计算协同过滤推荐算法的召回率、准确率、覆盖率、新颖度、F1-score 并使用折线图横向对比
精通推荐算法5：推荐算法评价体系
谢杨易的博客
01-13 3790
推荐算法评估指标比较复杂，可以分为离线和在线两部分。召回、粗排、精排和重排由于定位区别，其评估指标也会有一定区别，下面详细讲解。
召回评估
qq_32844743的博客
12-02 394
召回评估 本次task多路召回任务比较陌生，代码量比较大，还需要一些时间理解。因此我选择针对一些重点内容逐一查阅资料来建立更深刻的理解。先从召回评估开始，逐步窥探召回层的相关内容。 **todo:**目前整理了有哪些方法，后续再细探每种评估方法的优缺点，并将本次多路召回算法中的评估方法替换成其他评估算法来寻找差别 为什么进行召回评估 当前推荐系统的模型并不是端到端的，通常包括召回层与排序层，召回层负责将大量数据快速缩小，为排序层提供快速精简且有效的输入，因此，召回的结果决定了排序层模型性能的上限，因此需要对
准确率、精准率与召回率
hlhsigoi的博客
08-26 1084
在学习吴恩达机器学习时对这几个词仔细分析： 准确度=正确预测的概率（癌症有无查的准的概率） 精准度=正确对某事预测的概率/所有预测为某事的概率（查出有癌症的话查的准的概率） 召回率=正确对某事预测的概率/所有对某事预测的概率（有癌症的话被查出来的概率） h(x)>T,有癌症------有癌症查的准的概率为T h(x)<T,无癌症------有癌症但没被查出来的概率为T，也就是...
推荐系统的评价指标--------命中率（Hit Rate）、平均倒数排名（MRR）和归一化折扣累积增益（NDCG）
m0_68682144的博客
01-18 4151
命中率是衡量推荐系统准确性的指标之一。它表示。命中率的计算非常直接。你只需要统计推荐列表中用户实际感兴趣的项目数量，然后除以测试集中用户实际感兴趣的总项目数量。示例：假设一个用户在测试集中对5个项目感兴趣，推荐系统推荐了10个项目，其中3个是用户实际感兴趣的，那么命中率为 3/5 = 0.6。
●Achiveving a high hitrate（提高缓存命中率）
weixin_33709364的博客
07-27 83
●Achiveving a high hitrate（提高缓存命中率） 现在varnish已经正常运行了,您可以通过varnish访问到您的web应用程序。如果您的web程序在设计时候没有考虑到加速器的架构，那么您可能有必要修改您的应用程序或者varnish配置文件，来提高varnish的命中率。 ...
精确率、召回率、F1以及推荐系统相关评测指标
weixin_40114507的博客
12-17 2960
1、分类指标 精确率和召回率多用于二分类问题 真实结果/预测结果 正（P） 负（N） 正（P） TP FN 负（N） FP TN 精确率（P） = TPTP+FP \frac{TP}{TP + FP} TP+FPTP​ 表示被分为正例的示例中实际为正例的比例 召回率（R）= TPTP+FN \frac{TP}{TP + FN} TP+FNTP​ 召回率是覆盖面的度量，度量有...
[机器学习]评价指标：召回率(Recall)、准确率(Precision)、f1-score、Hit Ratio(HR)、NDCG、MAP(MARR)
热门推荐
m0_45338067的博客
10-11 2万+
目录召回率(Recall)精确率(Precision)F1-scoreHit Ratio(HR)Normalized Discounted Cummulative Gain(NDCG)平均精度均值MAP（Mean Average Precision） 在人工智能算法中，算法实现，训练模型完成后，为了判定算法的好坏，需要对训练的模型进行评价，本文介绍一些用于时空数据挖掘（STDM）中POI预测的评价标准。 场景假设 假如某班有女生20人,男生80人,共计100人.目标是找出所有女生,某人（分类器）挑选出
推荐算法之排序召回推荐指标总结
qq_38375203的博客
07-21 1406
最近想起总结一下常用的推荐指标了，觉得这也是最基础的知识点吧。不过这个也不是很全，只是将一些我认为基础的常用的进行了一下总结，后续在任务中遇到其他的再进行补充吧。比如我们常听到的AUC,MAP(MeanAveragePrecison),HR(HitRatio)，NDCG(NormalizedDiscountedCumulativeGain),等。...
准确度、精确度、召回率、ROC曲线、AUC值
maqian5的博客
07-01 6680
在介绍这些概念之前，先来看一下混淆矩阵： TP: True Positive,将正类预测类正类的样本数量（预测正确） FN: False Negtive,将正类预测为负类的样本数量（type II error, 漏报） FP: False Positive,将负类预测为正类的样本数量（type I error） TN: True Negtive,将负类预测为负类的样本数量（预测正确） 准确度...
【推荐系统】召回离线评估指标Hit Ratio
littlemichelle
05-13 2万+
Hit Ratio(HR) 在top-K推荐中，HR是一种常用的衡量召回率的指标，计算公式为： 分母是所有的测试集合，分子表示每个用户top-K列表中属于测试集合的个数的总和。 举个简单的例子，三个用户在测试集中的商品个数分别是10，12，8， 模型得到的top-10推荐列表中，分别有6个，5个，4个在测试集中， 那么此时HR的值是(6+5+4)/(10+12+8) = 0.5。 如果还有一点不清晰的话， 推荐系统Top-K问题(或者HR@K, HR为hit ratio)，需要划.
【召回评估】hitrate
杨旭东的专栏
05-20 178
【代码】【召回评估】hitrate。
精确率、召回率、准确率的区别
hzp666的博客
09-13 220
例子：假设我们手上有60个正样本，40个负样本，我们要找出所有的正样本，系统查找出50个，其中只有40个是真正的正样本，计算上述各指标。TP: 将正类预测为正类数 40。FN: 将正类预测为负类数 20。FP: 将负类预测为正类数 10。TN: 将负类预测为负类数 30。参考：（已修改原文中错误）
【推荐系统排序指标】CG、DCG、NDCG、Hit Rate
发现问题，并解决问题，批判性思维
05-14 2083
文章目录一、CG，累计增益 Cumulative Gain二、DCG，折损累计增益 Discounted cumulative gain三、NDCG，归一化折损累计增益 Normalized Discounted Cumulative Gain3.1 NDCG简介3.2 电影推荐的一个栗子3.3 代码实践栗子四、Hit Rate五、推荐系统评测指标Reference 一、CG，累计增益 Cumulative Gain CG表示对K个item的Gain进行累加，其中Gain表示列表中每一个item的相关性分数
推荐系统常用评价指标：NDCG、Recall、Precision、Hit Rate
chadlee
02-20 9028
评价指标 NDCG Normalized Discounted Cumulative Gain(归一化折损累计增益) NDCG用作排序结果的评价指标，评价排序的准确性。 推荐系统通常为某用户返回一个item列表，假设列表长度为K，这时可以用NDCG@K评价该排序列表与用户真实交互列表的差距。 CG （累计增益 Cumulative Gain） CGK=∑i=1Kreli C G_{K}=\sum_{i=1}^{K} r e l_{i} CGK​=i=1∑K​reli​ 考虑一个长度为K的列表，relirel
hit 命中率的解释
changyanmanman的专栏
03-26 3416
整理自：http://blog.csdn.net/tianlesoftware/article/details/4668723 Statistic 对Oracle 是非常重要的。 它会收集数据库中对象的详细信息，并存储在相应的数据字典里。 根据这些统计信息， optimizer 可以对每个SQL 去选择最好的执行计划。 在9i 及之前的版本，在选择执行计划的时候会根据RBO(Rule-Base
关于计算buffer cache hit rate的精确算法
weixin_33896726的博客
03-14 1141
http://space.itpub.net/12361284/viewspace-154924 在系统运行过程中,如果我们发现Cache hit rate过小,或者我们通过观察statspack中的Instance Efficiency Percentages这部分呢,我们会发现Buffer Hit%的值很低,通常这就是在暗示你要增加DB_CACHE_SI...
召回率和精确率的区别
最新发布
07-09
在机器学习领域，精确率和召回率是两个核心概念，它们常用于评估分类模型的性能。精确率指的是模型预测为正例的样本中，真实正例的比例；而召回率则是在所有真实正例样本中，被模型正确预测的比例。它们在**定义、影响策略和计算公式**等方面存在差异。具体分析如下： 1. **定义** - **精确率**：反映的是预测为正例的样本中，真实正例的比例。高精确率意味着模型在预测为正例的样本中，能够准确捕捉到更多的真实正例。低精确率则表示模型将过多的负例错误地标记为了正例。 - **召回率**：衡量的是所有真实正例样本中，被模型正确预测的比例。高召回率说明模型能够成功地识别出大部分的正例样本，漏报的情况较少。低召回率则表示模型错过了许多真实的正例样本。 2. **影响策略** - **精确率**：会受到模型将负例错误地标记为正例的影响。提升精确率的策略通常涉及提高模型对于正例的判断标准，减少误报。 - **召回率**：主要受到模型漏掉真实正例的影响。提升召回率的策略则关注于如何减少模型的漏报，即增加对正例的捕捉能力。 3. **计算公式** - **精确率**：Precision = TP / (TP + FP)，其中 TP 是真正例（True Positives）的数量，FP 是假正例（False Positives）的数量。 - **召回率**：Recall = TP / (TP + FN)，其中 FN 是假负例（False Negatives）的数量。 4. **应用场景** - **精确率**：在需要严格控制误报，即负例被错误地标记为正例的成本非常高的场景下，比如法律判决、医疗诊断等，高精确率是非常重要的。 - **召回率**：在漏报，即错过真实正例的代价非常大的场景下，如欺诈检测、病情筛查等，高召回率是关键。 5. **平衡性** - **精确率**：可能会随着召回率的提高而降低。在实际情况中，通常需要在精确率和召回率之间达到一定的平衡，这可以通过F1分数（F1 Score）来衡量，它是精确率和召回率的调和平均数。 - **召回率**：可能需要牺牲一定的精确率来提高。在一些情况下，提高召回率会导致精确率的下降，因为模型可能会将更多的负例错误地归类为正例。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小李飞刀李寻欢

您的欣赏将是我奋斗路上的动力！

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值