推荐系统 – 召回率@K 和精确率@K

我正在为公司构建一个推荐系统，并有一个关于计算精确率@K和召回率@K的公式的问题，这个问题我在谷歌上没有找到答案。

对于精确率@K，通常的公式是指前k个推荐集合中相关项目的比例。

我的问题是如何定义哪些项目是相关的，哪些不是相关的，因为用户不一定与所有可用的项目都有互动，而只是其中一小部分。假设对于前k个推荐项目缺少真实数据，意味着用户没有与其中一些项目互动过，因此我们没有实际的评分？我们应该在计算中忽略这些项目，还是将它们视为不相关的项目呢？

以下文章建议忽略这些没有互动的项目，但我对此不是很确定。

回答：

你提到“推荐项目”，所以我假设你在讨论为推荐引擎计算精确率，即前k个预测中准确预测用户未来互动的数量。

推荐引擎的目标是从过去的互动中建模未来的互动。这类模型在互动数据集上进行训练，其中最后一个互动是目标，n个过去的互动是特征。

因此，精确率的计算方法是将模型在测试集上运行，其中真实情况（最后一个互动）是已知的，然后将真实情况在前k个预测中的预测数量除以测试项目的总数。

用户没有互动的项目不会出现，因为我们是基于其他用户的行为来训练模型的。

学技术