Top-k 推荐中的召回率、召回率@k 和精度

Posted 2023-02-16

【中文标题】Top-k 推荐中的召回率、召回率@k 和精度

【英文标题】：Recall, Recall rate@k and precision in top-k recommendation

【发布时间】：2016-02-15 07:44:55

【问题描述】：

根据1、2 和3 中的作者，Recall 是从存储库中所有相关项目中选择的相关项目的百分比，而 Precision 是查询选择的项目中相关项目的百分比。

因此，假设用户 U 获得了 top-k 个推荐项目列表，它们将类似于：

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

Precision=（Relevant_Items_Recommended in top-k）/（k_Items_Recommended）

直到那部分一切都清楚了，但我不明白它们和 Recall rate@k 之间的区别。 召回率@k的计算公式是怎样的？

【问题讨论】：

您直接将@K 用于计算简单的 Precision 和 Recall 以进行评级预测，这可能会造成混淆。规则很简单 - 如果您尝试仅测量 RATING 预测 - 对整个推荐结果使用简单的 Precision 和 Recall。如果您对度量排名预测感兴趣，那么您更感兴趣的是前 5 名的表现（第一个推荐轮播屏幕），然后是前 10 名（第二个屏幕）等等。因为在第二种情况下，您更感兴趣的是您的解决方案对整个响应的排序 - 排名结果。

非常感谢@Bartłomiej Twardowski。所以，只是我已经在做那个 rate@k 了吗？

是的，如果你要截断到前 k 个项目并且只计算它的 p/r。

【参考方案1】：

最后，我收到了 Yuri Malheiros 教授 (paper 1) 的解释。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，它们并不相同。该指标也用于paper 2、paper 3 和paper 3

召回率@k 是一个百分比，取决于所做的测试，即推荐的数量，每个推荐都是一个项目列表，有些项目是正确的，有些不是。如果我们提出了 50 条不同的推荐，我们称之为 R（不管每个推荐的项目数如何），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，需要使N/R。

【讨论】：

我认为你在那里犯了一个错误，你再次描述了precision@k。 Recall@k 意味着您将相关文档计算在 top-k 中，然后将其除以存储库中相关文档的总数。见ils.unc.edu/courses/2013_spring/inls509_001/lectures/…

同意克里斯。你所描述的听起来像是精确度@k。

@user8491363 听起来对我来说是正确的。

@qwr 我不知道为什么我会以这种方式感到困惑。我删除了评论以避免混淆。