推荐系统指标——MAP和NDCG(Java 代码)

这两个指标均为评估推荐列表质量的指标。

1. MAP（Mean Average Precision）

public double map(Triple[][] paraTrainingMatrix, Triple[][] paraTestingMatrix, int paraNumItems, int paraK) {
		int[] rankList = new int[paraK];
		int tempNumUsers = paraTrainingMatrix.length;
		int groundTruthItem = 0;
		double resultMap = 0;
		double mapForEachUser = 0;

		for (int i = 0; i < tempNumUsers; i++) {
			mapForEachUser = 0;
			if(paraTestingMatrix[i].length == 0) {
				continue;
			}//Of if
            int numOfTestingItemsInRankList = 0;
			for (int j = 0; j < paraTestingMatrix[i].length; j++) {
  // an item in testing set is consider as the ground-truth item (gtItem).
				groundTruthItem = paraTestingMatrix[i][j].item;
//computeRankList： compute a rank list for the gtItem.
//1. compute the predicted ratings for all items (donot exclude the items in the training set).
//2. compute the number of items whose predicted ratings above the gtItem. 
//3. if the numbers is larger than paraK, the gtItem cannot rank in the Top-K;
// else output the rankList. 

			rankList = computeRankList(i, paraNumItems, paraK, groundTruthItem);
				if (rankList == null) {
					mapForEachUser += 0;
					continue;
				} // Of if
// find the ranking of the gtItem in the rankList and compute the precision.
				for (int paraRank = 0; paraRank < rankList.length; paraRank++) {
					if (groundTruthItem == rankList[paraRank]) {
                         numOfTestingItemsInRankList ++;
						mapForEachUser += numOfTestingItemsInRankList / (paraRank + 1);
						break;
					} // Of if
				} // Of for paraRank
			} // Of for j
			mapForEachUser /= paraTestingMatrix[i].length;
			System.out.println("mapForEachUser" + mapForEachUser);
			resultMap += mapForEachUser;
		} // Of i
		resultMap /= tempNumUsers;
		return resultMap;
	}// Of map

其中，为推荐列表的长度，为用户数目，为用户下标，为用户喜欢的物品集合与推荐列表的交集。

其中， 为用户数目, 为推荐列表的长度，为用户下标，为用户在测试集中的物品的集合。右侧的分式的含义是，对于推荐列表的第个物品如果在中，其Precision是：

分母是它的名次；

分子是排在该物品之前的物品中，有多少个属于。

2. NDCG（Normalized discounted cumulative gain）

分子：

其中，是中第个物品的实际评分，作为relevance。

分母：的计算式与相同。需要修改的是是将推荐列表的物品按照预测评分由高到低排序，即修改。的含义就是理想的，给出的本身就是按照预测评分由高到低排序，也希望该推荐列表能与用户实际的喜好一致。从而体现出，推荐列表的排序与用户真实喜好的关联性。