Lui*_*dez 8 evaluation recommendation-engine precision-recall
根据笔者1,2,和3,召回是在资源库中选择了所有的相关项目的相关项目的百分比,而精密的相关项目从通过查询所选择的那些项目的百分比.
因此,假设用户U获得了top- k推荐的项目列表,它们将类似于:
回想 =(Relevant_Items_Recommended在顶ķ)/(Relevant_Items)
精度 =(在顶Relevant_Items_Recommended ķ)/(ķ _Items_Recommended)
直到那一部分一切都清楚但我不明白它们和召回率@k之间的区别.如何计算召回率@ k的公式？
最后,我收到了Yuri Malheiros教授的解释(论文1).Althougth召回率@ k在问题中引用的论文中引用似乎是正常的召回指标,但应用于top- k,它们并不相同.该指标也用于论文2,论文3和论文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,每个推荐是一个项目列表,一些项目是正确的,一些不是.如果我们提出50个不同的建议,让我们称之为R(无论每个建议的项目数量如何),计算召回率是必要的,以查看50个建议中的每一个.如果,对每一项建议,至少一个推荐项目是正确的,你可以增加一个值,在这种情况下,我们把它叫做ñ.为了计算召回率@ - [R ,它是neccesary使Ñ/[R .