我正在尝试使用 mahout 中给出的 item item Recommender 计算具有布尔首选项的数据集的 n 处的精度和召回率。
我正在使用 GenericBooleanPrefItemBasedRecommender 和
评估（RecommenderBuilder 推荐器构建器，DataModelBuilder 数据模型构建器，DataModel 数据模型，IDRescorer rescorer，int at，双重相关阈值，双重评估百分比）抛出 TasteException；`
由于存在布尔偏好，因此用户的“相关”或“好”电影的集合都是评分为 1 的电影。
如果我多次运行相同的代码，它总是给出相同的精度和召回值，并且它们总是彼此相等。为什么？我没有使用 RandomUtils.useTestSeed() 它如何将数据拆分为训练集和测试集？
可能性：
a）在开始时将总数据集随机划分为测试和训练，或者对于每个用户，它随机将固定百分比的相关电影放入测试集：：由于没有地方供用户输入，它如何决定这个百分比this 作为参数。为什么每次运行代码时都得到相同的 P 和 R 值，为什么 n 处的 P 和 n 处的 R 的值相同？
b）对于每个用户，它将所有相关的电影放入训练集中：然后用户没有任何信息可以做出任何推荐，因此这是不可能的。
由于我在 n 处得到 P 和 R 的值相等，这是否意味着对于每个用户，每次将相关电影的数量移动到测试集 = 推荐数 ien 如果 n 相关电影放入测试set 是随机的，那么为什么每次运行代码时我都会得到相同的 P 和 R 值。
我能想到的唯一解释结果的解释是推荐器在 n 处计算 P 和 R 如下：一个接一个，对于每个用户，它随机将“n”个相关电影放入测试集中。该过程必须是随机的，因为它无法区分所有相关电影，但该过程是固定的，并且每次运行代码时，它都会为每个用户选择相同的 n 个相关电影。然后它提出 n 个建议并计算 n 处的 P 和 R。
虽然这解释了结果，但我认为这不是一个好的过程，因为：
1）训练和测试集的概念没有定义为百分比，因此与通常的定义不一致。
2) P 和 R 总是相等的，所以我们只得到一个度量而不是两个。
3）每次随机挑选'n'部电影的过程都是相同的。
编辑：我正在添加我的完整代码以帮助回答我的问题：
公共静态 void main (String[] args) 抛出异常 {
FileDataModel model = new FileDataModel(new File("data/test.csv"));
RecommenderIRStatsEvaluator evaluator = new GenericRecommenderIRStatsEvaluator();
RecommenderBuilder recommenderBuilder = new RecommenderBuilder() {
@Override
public Recommender buildRecommender(DataModel model) {
ItemSimilarity similarity = new LogLikelihoodSimilarity(model);
return new GenericBooleanPrefItemBasedRecommender(model, similarity);
}
};
IRStatistics stats = evaluator.evaluate(
recommenderBuilder, null, model, null, 5,
GenericRecommenderIRStatsEvaluator.CHOOSE_THRESHOLD,1.0);
System.out.println(stats.getPrecision());
System.out.println(stats.getRecall());
}