推荐算法评价指标

最新推荐文章于 2024-08-12 20:46:44 发布

heioky

最新推荐文章于 2024-08-12 20:46:44 发布

阅读量674

点赞数 2

文章标签：推荐算法算法机器学习 Powered by 金山文档

本文链接：https://blog.csdn.net/m0_55781542/article/details/129600517

版权

文章详细介绍了推荐系统中常用的评估指标，包括准确率（Precision）、召回率（Recall）、命中率（HR）以及归一化折损累积增益（NDCG）。准确率关注推荐内容中用户真正感兴趣的项目比例，召回率则衡量了推荐系统找到用户感兴趣项目的效率，而命中率表示推荐项目在总项目中的占比。NDCG考虑了推荐列表的排序质量，对相关性强的推荐给予更高的权重，是评价推荐系统性能的重要工具。

摘要由CSDN通过智能技术生成

（1)准确率(Precision)

Precision为最终生成的推荐列表中用户感兴趣的项目集合 $\text{[math]}$ 与所有已推荐项目 $\text{[math]}$ 的比例关系，描述的是在所有推荐出来的项目中，有多少项目是用户真正感兴趣的。如公式1

$\text{[math]}$ （1）

(2)召回率（Recall）

Recall为最终生成的推荐列表中用户感兴趣的项目集合 $\text{[math]}$ 与所有用户感兴趣项目 $\text{[math]}$ 的比例关系，描述的是在所有用户感兴趣的项目中，有多少项目被推荐了出来。

$\text{[math]}$ （2）

(3)命中率（HR）

HR为在最终生成的推荐列表中推荐出来的项目与总测试集中总项目的占比关系。表示在所有测试集中，有多少项目最终被推荐了出来。

$\text{[math]}$ （3）

(4)归一化折损率（NDCG）

如公式（4）推荐列表的排名情况用累积增益 $\text{[math]}$ 表示，由于实际推荐需要将推荐相关性高的结果排在前面，因此需要在 $\text{[math]}$ 的基础上引入位置影响因素，如式(5)所示用折损累积增益 $\text{[math]}$ 表示，推荐列表中用户返回的最佳推荐结果即 $\text{[math]}$ 的最大值用 $\text{[math]}$ 表示,需要对其做归一化处理,则最终的归一化折损累积增益(NDCG)如式(6)所示。