推荐算法的平均召回率

记用户A的训练样本是  train_dataA  (用户A的历史行为数据)

   用户B的训练样本是  train_dataB   (用户B的历史行为数据)

 

用户A的真实购买物品集合是  set_A (ground_truth)

用户B的真实购买物品集合是  set_B  (ground_truth)

 

推荐算法给A推荐的记为    set_fake_A

推荐算法给B推荐的记为    set_fake_B

 

平均召回率定义为  [ ( set_A∩set_fake_A   /   len(set_A)) +  ( set_B∩set_fake_B   /   len(set_B))  ]    /2

标准召回率是   （set_A∩set_fake_A + set_B∩set_fake_B）/( len(set_A)+len(set_B))

len(set_A)代表 set_A的长度(集合元素个数)

 

举个例子：

这里的推荐是TopN推荐，N取2，也就是一次给用户推荐两个。

用户A实际购买了物品  {a,b,c,d,e}       算法给用户A推荐物品{a,b}   这样命中的就是a,b    命中了2个

用户B实际购买了物品  {e,f,g}             算法给用户B推荐物品{d,e}    这样命中的就只有e    命中了1个

平均召回率=[( 2/5 ) + ( 1/3 )]/2  =  0.367

标准召回率=[(2+1)/(5+3)]=0.375

 

平均召回率可以更好的描述推荐算法的性能，这是因为平均召回率考虑到了召回一个元素的难度。

举例来说

用户A实际购买10个物品，推荐算法的推荐结果命中一个

用户B实际只购买2个物品，推荐算法的推荐结果也是只命中一个

那么平均召回率=(1/10+1/2)/2=0.3

标准召回率=(1+1)/(10+2)=0.167     这里推荐算法命中的结果都是1，然后直接相加了起来，这里显然不合理，因为2个中1个是比较难的，10个中1个是较为简单的，所以这两个1应该区别开来。

平均召回率就更好的衡量了推荐算法的性能。