TopK推荐的评价指标

1、Precision 准确率

                                                                     

是根据用户在训练集上的行为给用户作出的推荐列表， 是用户在测试集上的行为列表。

2、Recall 召回率

                                                                        

3、F1 Score

                                                                    

折中了准确率和召回率。

4、HR(Hit Ratio)

按如下描述，HR和召回率是一回事。

物理意义：关心用户想要的，我有没有推荐到，强调预测的“准确性”  。

在TopK推荐中，HR是一种常用的衡量召回率的指标，计算公式为：

                                                                    

分子：每个用户TopK列表中属于测试集的个数 的总和。

分母： 用户在测试集中的物品总个数。

例如：三个用户在测试集中的商品个数分别是10，12，8，模型得到的top-10推荐列表中，分别有6个，5个，4个在测试集中，那么此时HR的值是   (6+5+4)/(10+12+8) = 0.5  。

转载自：https://blog.csdn.net/qq_40006058/article/details/89432773

5、MAP(Mean Average Precision) 平均准确率

解释1：源自网络 

解释2：源自论文《Modeling User Exposure in Recommendation. WWW. 2016》

表示测试集中用户u点击过的物品i的集合。 

解释3：最实用的，源自：https://blog.csdn.net/edisonleeee/article/details/89405343

6、NDCG(Normalized Discounted Cummulative Gain) 归一化折损累积增益

物理意义：关心找到的这些项目，是否放在用户更显眼的位置里，即强调“顺序性“ 。

解释1： 该部分转载自：http://sofasofa.io/forum_main_post.php?postid=1002561 

MAP和NDCG是排名指标中最受欢迎的两个，MAP考虑的是0和1的排序，而NDCG考虑评分的排序。

理解NDCG需要从CG开始。

CG（cumulative gain，累计增益）可以用于评价基于打分/评分的个性推荐系统。假设我们推荐 k 个物品，这个推荐列表的计算公式如下：                                                        

 表示第k个物品的相关性或者评分。假设我们共推荐k个电影， 可以是用户对第i部电影的评分。

例如，豆瓣给用户推荐了五部电影，

该用户对这五部电影的评分分别是

5, 3, 2, 1, 2

那么这个推荐列表的CG等于

  =  5+3+2+1+2 = 13

CG没有考虑推荐的次序，在此基础之后我们引入对物品顺序的考虑，就有了DCG(discounted CG)，折扣累积增益。

公式如下：                                                     

仍然是 ，评分仍是5, 3, 2, 1, 2

那么这个推荐列表的DCG是

                           

DCG没有考虑到推荐列表和每个检索中真正有效结果个数，所以最后我们引入NDCG(normalized discounted CG)，顾名思义就是标准化之后的DCG，公式如下：

                                                                            

其中IDCG是指ideal DCG，也就是完美结果下的DCG。

 上述NDCG求解是针对某一用户，全局NDCG为所有用户NDCG的平均值。

解释2：在学术论文中， 例如《Modeling User Exposure in Recommendation. WWW. 2016》，是这么描述的：

解释3：依旧是最实用的，简单明了，源自：https://blog.csdn.net/edisonleeee/article/details/89405343

补充：