算法常用推荐指标

累积增益(Cumulative Gain, CG)

C G p = ∑ i = 1 p r e l [ i ] CG_{p} = \sum_{i=1}^{p} rel_[i] CGp=i=1prel[i]

折损累计增益(Discounted cumulative gain,DCG)

D C G p = ∑ i = 1 p r e l i i log ⁡ 2 ( i + 1 ) = r e l i + ∑ i = 2 p r e l i i log ⁡ 2 ( i + 1 ) DCG_{p}=\sum_{i=1}^{p} \frac{reli_{i}}{\log_{2}(i+1)}=rel_{i}+\sum_{i=2}^{p} \frac{reli_{i}}{\log_{2}(i+1)} DCGp=i=1plog2(i+1)relii=reli+i=2plog2(i+1)relii
常用公式用来增加相关度影响的比重:
D C G p = ∑ i = 1 p 2 r e l i i − 1 log ⁡ 2 ( i + 1 ) DCG_{p}=\sum_{i=1}^{p} \frac{2^{reli_{i}}-1}{\log_{2}(i+1)} DCGp=i=1plog2(i+1)2relii1

归一化折损累计增益(Normalized Discounted Cumulative Gain, NDCG)

N D C G p = D C G p I D C G p NDCG_{p}=\frac{DCG_{p}}{IDCG_{p}} NDCGp=IDCGpDCGp
其中IDCG为理想的DCG
I D C G p = ∑ i = 1 R E L p 2 r e l i i − 1 log ⁡ 2 ( i + 1 ) IDCG_{p}=\sum_{i=1}^{REL_{p}} \frac{2^{reli_{i}}-1}{\log_{2}(i+1)} IDCGp=i=1RELplog2(i+1)2relii1
其中 r e l p rel_{p} relp表示语料库中相关性最高的p个文档列表。

精确度PRE

正样本中被预测正确或者检索正确的精度。
P R E = T P T P + F N PRE = \frac {TP}{TP+FN} PRE=TP+FNTP

  • 0
    点赞
  • 0
    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