推荐系统的评价指标（1）：准确率与召回率

推荐系统的评价指标是用来衡量推荐系统性能的重要工具，它们可以帮助我们了解推荐系统的效果，并指导系统的优化和改进。一些常用的推荐系统评价指标包括准确率、召回率、MAP、NDCG等。本文给出一个基本介绍，以及一些例子来说明：

基础指标

准确率（Precision）

● 准确率是指推荐列表中相关项目的比例，即推荐N项，有M项用户感举，则准确率为$M/N$

召回率（Recall）

● 召回率是指推荐系统能够成功推荐出的用户感兴趣的M项目占所有用户感兴趣的项目总数K的比例，即$K/M$。
一般情况下，对于推荐系统而言，准确率越高，召回率越低；反之亦然。下图展示了一个系统的准确率与召回率的关系。

实际应用中，为了综合评价上述两个重要指标，可以使用F1分数（F1 Score）

F1分数（F1 Score）

● F1分数是准确率和召回率的调和平均数，用于综合考虑准确率和召回率的平衡。

$F1=\frac{2\times Precision\times Recall}{Precision+Recall}$

因而，F1分数的范围在0到1之间，值越高表示模型的性能越好。当模型的精确率和召回率都很高时，F1分数也会很高；如果其中一个很低，F1分数也会受到影响。因此，F1分数是一个有用的单一指标，用于在精确率和召回率之间寻求最佳平衡。

N值的选择：Hitrate@N，hr@N（命中率@N）

注意，上述的准确率、召回率与F1分数的三个指标中，取的N值是固定的。然而，实际应用中，我们通过可以使用不同的N截断推荐结果，来获取召回率与准确率的平衡，因而，一般会使用Hitrate@N（简称hr@N），它是推荐系统中常用的一个评价指标，它用来衡量推荐系统是否能够推荐出用户感兴趣的物品，这个指标可以帮助我们了解推荐系统在前N个推荐中“命中”用户兴趣的能力。
对于单个用户，hr@N计算公式如下：

$\text{Hitrate@N}=\frac{\text{TopN推荐列表中包含用户感兴趣的项目数}}{\text{用户兴趣项目的个数}}$

对于多个用户，hr@N需要对所有用户的推荐结果取平均，其计算公式如下：

$\text{Hitrate@N}=\frac{\sum u_i对用户u_i的TopN推荐列表中包含其感兴趣的项目数}{\sum u_i用户u_i兴趣项目的个数}$

一般而言，N越大，hr@N越大，准确率越低。所以可以根据实际应用情形来确定合适的N值。

实例

假设一个商品推荐系统的电子商务网站。在一周内，系统为用户A推荐了10个商品，其中用户A实际购买了3个。在这10个推荐商品中，有5个是用户A感兴趣的（包括购买的3个）。所有商品中，用户A感兴趣的总共有8个。那么：

● 准确率：$3/10=0.3$（因为用户A购买了3个推荐商品）
● 召回率：$3/8\approx 0.375$（因为系统只推荐了用户A感兴趣的8个商品中的3个）
● F1分数：$F1=\frac{2\times Precision\times Recall}{Precision+Recall}=2\times 0.3\times 0.375/(0.3+0.375)\approx 0.342$

本文介绍的指标是一个参考值，在实战中，可以选择合适的指标对推荐系统进行调优。

原文地址：https://blog.csdn.net/burstone/article/details/143666876

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！