推荐系统测评指标——计算DCG、IDCG以及nDCG的python代码

最新推荐文章于 2024-12-27 21:04:28 发布

白水baishui

最新推荐文章于 2024-12-27 21:04:28 发布

阅读量8.2k

点赞数 33

分类专栏：推荐系统 # Python 文章标签：推荐系统 python ndcg dcg idcg

本文链接：https://blog.csdn.net/baishuiniyaonulia/article/details/119761820

版权

Python 同时被 2 个专栏收录

42 篇文章

订阅专栏

推荐系统

19 篇文章

订阅专栏

这篇博客介绍了信息检索和推荐系统中的评价指标nDCG（Normalized Discounted Cumulative Gain），它用于衡量排序列表的质量。nDCG是DCG（Discounted Cumulative Gain）的归一化形式，考虑了相关度和排名。文章提供了DCG、IDCG（理想DCG）和nDCG的计算公式，并给出了用Python实现nDCG的代码示例，便于理解和应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1. 公式

DCG： $DCG@K=\sum_{i=1}^{K}\frac{2^{r_i}-1}{log_2(i+1)}$ 其中， $K$ 是推荐列表的大小；
$i$ 是指推荐列表中的第 $i$ 个推荐项；
$r_i$ 是指推荐项 $i$ 是否被用户点击，若点击则为 $1$ ，否则为 $0$ ，在实际测试中，我们通常吧推荐列表中在测试集的推荐项视为被用户点击的推荐项，不在测试集中的推荐项视为未被用户点击的推荐项；

IDCG： $IDCG@K=\sum_{i=1}^{K}\frac{2^{r_i}-1}{log_2(i+1)}$ 注意到IDCG的计算公式与DCG一致，区别在于IDCG是完美的DCG，也即 $r_i=1$ 的推荐项在推荐列表 $K$ 头部， $r_i=0$ 的推荐项在推荐列表 $K$ 的末尾。

nDCG： $nDCG@K=\frac{DCG}{IDCG}$ NDCG是归一化后的DCG

2. 代码

import numpy as np

def DCG(A, test_set):
    # ------ 计算 DCG ------ #
    dcg = 0
    for i in range(len(A)):
        # 给r_i赋值，若r_i在测试集中则为1，否则为0
        r_i = 0
        if A[i] in test_set:
            r_i = 1
        dcg += (2 ** r_i - 1) / np.log2((i + 1) + 1) # (i+1)是因为下标从0开始
    return dcg

def IDCG(A, test_set):
    # ------ 将在测试中的a排到前面去，然后再计算DCG ------ #
    A_temp_1 = [] # 临时A，用于存储r_i为1的a
    A_temp_0 = []  # 临时A，用于存储r_i为0的a
    for a in A:
        if a in test_set:
            # 若a在测试集中则追加到A_temp_1中
            A_temp_1.append(a)
        else:
            # 若a不在测试集中则追加到A_temp_0中
            A_temp_0.append(a)
    A_temp_1.extend(A_temp_0)
    idcg = DCG(A_temp_1, test_set)
    return idcg

def NDCG(A, test_set):
    dcg = DCG(A, test_set) # 计算DCG
    idcg = IDCG(A, test_set) # 计算IDCG
    if dcg == 0 or idcg == 0:
        ndcg = 0
    else:
        ndcg = dcg / idcg
    return ndcg

if __name__ == "__main__":
	# ------ 计算推荐列表A的NDCG ------ #
	# A：推荐列表，一维list，存储了推荐算法推荐出的推荐项的id
	# test_set：测试集，一维list，存储了测试集推荐项的id
    ndcg_A = NDCG(A, test_set)