推荐系统有关recall,precision.实验总结

最新推荐文章于 2024-08-16 08:27:15 发布

昕晴

最新推荐文章于 2024-08-16 08:27:15 发布

阅读量7.8k

点赞数 4

分类专栏：自然语言处理 python

本文链接：https://blog.csdn.net/qq_40210472/article/details/89293607

版权

本文探讨了推荐系统中recall和precision的概念。recall是衡量推荐列表中包含用户喜欢物品的比例，而precision则是评估推荐列表的准确性。在GRU4REC中，计算TOP 20召回率时，关注推荐列表是否包含目标项。Caser模型利用用户数据的20%作为测试集。同时，论文还提到了HR@50和MRR这两个评价指标，HR@50关注推荐的前50个项是否包含目标，MRR则衡量模型排序的优劣。

摘要由CSDN通过智能技术生成

recall

在这里插入图片描述
为用户u推荐N个物品（记为R（u）），令用户在测试集上喜欢的物品的集合为T（u）
，然后计算召回率。召回率描述还有多少比例的用户-物品评分记录包含在最终的推荐列表中。所以T（u）是测试集的总长度。

precison

在这里插入图片描述
准确率描述最终的推荐列表中有多少比例是发生过的用户-物品评分记录。

论文中实例总结，这篇文章将持续更新。

GRU4REC中，计算TOP 20的召回率时，每个session的target只有一个，所以T（u）的长度是1，意思为当取推荐的前20个数值时，（也就是softmax的结果取前20个概率对应的item），中是否包含了这个target,如果包含了就记为1。

def get_recall(indices, targets):  
  """    Calculates the recall score for the given predictions and targets
    Args:        indices (Bxk): torch.LongTensor. top-k ind