推荐算法常见的评估指标

推荐算法评估指标比较复杂，可以分为离线和在线两部分。召回、粗排、精排和重排由于定位区别，其评估指标也会有一定区别，下面详细讲解。

1 召回评价体系

召回结果并不是最终推荐结果，其本质是为后续排序层服务的，故核心在于覆盖率，而不需要追求绝对的准确率。因此精排中常用的AUC等指标，不能用来衡量召回效果。常用的召回评价指标有Hit Rate、差异率、Top-K召回率和平均点击位置等。

Hit Rate在召回中使用十分广泛。它可以衡量用户点击的物品，被包含在召回前N条结果中的概率。计算过程如公式所示，其中Dtest表示测试集，I为指示函数（Indicator function）。

差异率则用来衡量某一通路与其他通路的差异。特别是新增一路召回时，通常需要能带来一些之前没有被召回的新物品，从而提升整体覆盖率。差异率可以表达为，新增物品数量与该通路召回总数的比值。

Top-K召回率可以衡量召回结果对真实候选的覆盖率。其定义为召回前K个结果中目标物品个数，与目标物品总数的比值。计算过程如公式所示，其中di表示第i个召回结果，T为目标物品集合，N为其总数。

还可以通过用户点击的物品，在召回结果中的平均位置，来评估其效果。其他指标还有NDCG、MRR和MAP等。另外不可忽视的是，人工体验和评估召回结果，仍然是一个推荐工程师必备的素养。最后，离线评估完成后，还需要在线AB测试，从而确认最终效果。\

2 粗排评价体系

粗排评价体系主要分为三部分：召回能力、排序能力和效率指标。召回能力可以衡量粗排和精排的一致性，防止粗排排名靠前的物品无法在精排阶段透出。可以通过如下方法计算：选取一个物品候选集，同时给粗排和精排打分并排序，二者Top-K物品重合个数，除以总物品个数，即为召回率。

排序能力的评估可以采用AUC和GAUC等指标，与精排基本一致，此处不再赘述。效率指标主要包括QPS（ Queries Per Seconds）和RT（Return Time）等。其中QPS通过计算每秒可以承受的请求数，来衡量模型吞吐率。RT通过计算系统返回结果的平均时间，来衡量模型耗时。

3 精排评价体系

精排相对比较纯粹，主要围绕排序能力和效率指标。其中排序能力尤为关键，是整个推荐系统个性化能力和分发精准性的核心。离线评估主要以AUC和GAUC等指标为准。在线评估则通过AB测试来实现。

AUC是衡量二分类模型优劣的一种评价指标，表示预测的正例排在负例前面的概率。AUC的详细讲解，可以参见文章 所向披靡的张大刀：万字长文深入浅出AUC。

AUC表示模型将正样本排在负样本前面的概率，取值范围在0.5到1之间，是衡量模型排序能力的核心指标。但在推荐场景有一定不足。离线评估时，对不同用户的不同样本一起计算 。但在线上预测时，模型只需要保证对同一用户，正样本尽量排在负样本前面，而不用关心不同用户之间的样本顺序关系。基于此经常出现离线 上涨，但上线后业务指标并没有上涨的情况。

基于这一问题，GAUC被引入来解决上述问题。其计算过程如下公式所示。

其中i表示第i个用户，n为用户总数。#imperssioni表示第i个用户的曝光数，也就是正负样本总数。AUCi表示该用户的AUC。总结下来，GAUC计算过程为，先对各用户分别计算他们的AUC，然后利用其样本数进行加权平均。GAUC的计算是用户粒度的，可以保证离在线的一致性。

4 重排评价体系

重排是推荐系统最后一层，除了要考虑算法效率外，还需要兼顾用户体验问题。其中多样性是用户体验十分重要的组成部分。其评估包括客观指标和主观体验，可以从如下角度出发：

（1） 业务指标：例如用户次日留存、用户点击率和人均订单等。通过A/B测试一般可以观测它们。

（2） 多样性指标：可以从用户和物品两个角度评估，例如平均每个用户的曝光类目数，或曝光物品同属一个类目的概率等。通常可以从类目、作者和其他标签等多个维度进行数据分析。

（3） 人工体验：抽样进行人工体验，评估多样性。这是最贴近用户的做法，但主观性偏强，不同人的评估标准不容易统一。人工体验评估，千万不可忽略。算法工程师要经常去体验自己的实际业务场景。

（4） ILS指标：用来评估单个用户的多样性程度。在物品展现列表中，任意两个物品属于同一个类目的概率，值越低代表多样性越好。

系列文章，欢迎关注。

谢杨易个人主页

精通推荐算法1：为什么需要推荐系统（系列文章，建议关注）

推荐算法架构1：召回（系列连载，建议关注）