推荐系统常见评测标准之MAP与NDCG

最新推荐文章于 2024-09-08 09:28:34 发布

liuchengxu_

最新推荐文章于 2024-09-08 09:28:34 发布

阅读量1.7w

点赞数 13

分类专栏： Machine Learning Machine Learning 文章标签： MAP NDCG AP DCG IDCG

本文链接：https://blog.csdn.net/simple_the_best/article/details/52296608

版权

本文详细介绍了推荐系统中常用的评价指标MAP（Mean Average Precision）和NDCG（Normalized Discounted Cumulative Gain）。AP（Average Precision）反映了平均准确率，而MAP则是所有用户的AP平均值。NDCG考虑了推荐结果的位置影响，通过Discounted Cumulative Gain进行加权，IDCG作为理想情况的基准，使得NDCG能在不同推荐列表间进行比较。

摘要由CSDN通过智能技术生成

MAP

AP

关于 AP 与 MAP 这里有个非常好的文章: intuition-behind-average-precision-and-map

在了解MAP(Mean Average Precision)之前，先来看一下AP(Average Precision), 即为平均准确率。

对于AP可以用这种方式理解: 假使当我们使用google搜索某个关键词，返回了10个结果。当然最好的情况是这10个结果都是我们想要的相关信息。但是假如只有部分是相关的，比如5个，那么这5个结果如果被显示的比较靠前也是一个相对不错的结果。但是如果这个5个相关信息从第6个返回结果才开始出现，那么这种情况便是比较差的。这便是AP所反映的指标，与recall的概念有些类似，不过是“顺序敏感的recall”。

比如对于用户 $u$ , 我们给他推荐一些物品，那么 $u$ 的平均准确率定义为：

A P u = 1 |  t e u | \sum i \in  t e u \sum j \in  t e u δ ( p u j ≺ p u i ) + 1 p u i

$\begin{equation*} AP_u = \frac{1}{|\mathcal{I}_u^{te}|}\sum_{i \in \mathcal{I}_u^{te}}\frac{\sum_{j \in \mathcal{I}_u^{te}}\delta \left(p_{uj} \prec p_{ui}\right) + 1}{p_{ui}} \end{equation*}$

在这里 pui