recommendation-engine - Top-k 推荐中的召回率、召回率@k 和精度

Question

根据1、2和3中的作者的说法，Recall是从存储库中的所有相关项目中选择的相关项目的百分比，而Precision是在查询选择的那些项目中相关项目的百分比。

因此，假设用户U获得了前k个推荐的项目列表，它们将类似于：

召回率= (Relevant_Items_Recommended in top- k ) / (Relevant_Items)

精度= (Relevant_Items_Recommended in top- k ) / ( k _Items_Recommended)

在那之前，一切都清楚了，但我不明白它们和Recall rate@k之间的区别。计算召回率@k的公式如何？

Answer 1

最后，我收到了 Yuri Malheiros 教授的解释（论文 1）。尽管问题中引用的论文中引用的召回率@ k似乎是正常的召回指标，但应用于 top - k时，它们并不相同。该指标也用于论文 2、论文 3和论文 3

召回率@ k是一个取决于所做测试的百分比，即推荐的数量，每个推荐是一个项目列表，有些项目是正确的，有些则不是。如果我们提出了 50 条不同的推荐，我们称其为R（不管每个推荐的项目数），计算召回率需要查看 50 条推荐中的每一条。如果对于每个推荐，至少有一个推荐项是正确的，则可以增加一个值，在这种情况下，我们称其为N。为了计算召回率@ R，有必要使N / R。