论文推荐系统评价指标

在推荐系统领域，评价指标是衡量推荐算法性能的关键因素。以下是一些常用的推荐系统评价指标：

1. 准确率指标 ：

准确率 ：推荐给用户的商品中属于测试集的比例。

召回率 ：测试集中有多少在用户的推荐列表中。

F1值 ：准确率和召回率的加权平均。

Ranking Score ：衡量推荐列表中商品的位置。

Hit ratio ：衡量召回率，即推荐列表中属于测试集的商品数量。

NDCG （Normalized Discounted Cumulative Gain）：考虑推荐列表中商品排序对推荐评价的影响。

交叉熵 ：用于机器学习模型的优化目标。

MAE （Mean Absolute Error）：预测值与实际值之间的绝对误差平均。

2. 基于混淆矩阵的指标 ：

准确率 ：分类正确的样本数占样本总数的比例。

F1值 ：精确率和召回率的调和平均。

3. 其他指标 ：

AUC （Area Under ROC Curve）：衡量模型的分类能力。

GAUC （Group AUC）：考虑各个用户的AUC后取加权平均。

HR@K （Hit Ratio at K）：衡量推荐列表中属于测试集的商品数量。

MRR （Mean Reciprocal Rank）：衡量推荐列表中商品位置的指标。

MAP （Mean Average Precision）：衡量单个用户的排序质量。

AP （Average Precision）：衡量推荐列表中相关项目的平均精度。

这些指标各有侧重点，适用于不同的推荐场景和需求。选择合适的评价指标对于优化推荐系统至关重要。

其他小伙伴的相似问题：

推荐系统准确率如何计算？

召回率在推荐系统中的作用是什么？

AUC和GAUC的区别是什么？