根据1、2和3中的作者所述,Recall是仓库中所有相关物品中被选出的相关物品的百分比,而Precision是查询所选出的相关物品中相关物品的百分比。因此,假设用户U得到了一个前k个推荐物品的列表,则它们应该如下: Recall=(前k个推荐物品中的相关物品)/(所有相关物品) Precision=(前k个推荐物品中的相关物品)/(前k个推荐物品)直到这部分内容都很清楚,但我不明白它们与recall rate@k的区别。如何计算recall rate@k的公式是什么?
最终,我从Yuri Malheiros教授(论文1)那里得到了一份解释。尽管在问题所引用的论文中引用的召回率@k似乎是常规的召回度量标准,但应用于前k个条目时它们并不相同。这个指标也被用于论文2、论文3和论文4中。 召回率@k是一个百分比,取决于所进行的测试,即推荐的数量和每个推荐是一组项目,一些项目是正确的,一些不是。如果我们进行50个不同的推荐,称之为R(无论每个推荐的项目数量如何),则计算召回率需要查看这50个推荐中的每一个。如果对于每个推荐,至少有一个推荐的项目是正确的,您可以增加一个值,在这种情况下,我们称之为N。为了计算召回率@R,需要进行N/R的运算。