MAP和NDCG 概念及python代码

MAP

  1. AP:平均准确率,类似于顺序敏感的recall;返回的推荐结果中,我们需要的排在越前面越好。
  2. MAP:为所有用户的AP取均值。
    def MAP(origin, res, N):
        sum_prec = 0
        for user in res:
            hits = 0
            precision = 0
            # 一个用户一个用户算
            for n, item in enumerate(res[user]): precision;
                if item[0] in origin[user]:
                    hits += 1
                    # 越前面越好哦
                    precision += hits / (n + 1.0)
            sum_prec += precision / (min(len(origin[user]), N) + 0.0)
        return sum_prec / (len(res))

NDCG

NDCG
CG:将每个推荐结果相关性(relevance)的分值累加后作为整个推荐列表(list)的得分。但是没有考虑每个推荐结果处于不同位置对整个推荐效果的影响。
DCG:在CG的基础上引入位置影响因素,即Discounted Cummulative Gain, 对于排名靠后推荐结果的推荐效果进行“打折处理。但不同的推荐列表之间,很难进行横向的评估。
NDCG:我们评估一个推荐系统,是对整个测试集中的用户及其推荐列表结果进行评估。 那么不同用户的推荐列表的评估分数就需要进行归一化,也即NDCG(Normalized Discounted Cummulative Gain)。等于DCG/IDCG

    def NDCG(origin,res,N):
        sum_NDCG = 0
        for user in res:
            DCG = 0
            IDCG = 0
            #1 = related, 0 = unrelated
            for n, item in enumerate(res[user]):
                if item[0] in origin[user]:
                    DCG+= 1.0/math.log(n+2)
            for n, item in enumerate(list(origin[user].keys())[:N]):
                IDCG+=1.0/math.log(n+2)
            sum_NDCG += DCG / IDCG
        return sum_NDCG / (len(res))
  • 1
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值