推荐算法排序与召回优化

阅读量：

前言

近期打算整理一些常用的推荐系统评估指标，认为这些内容属于基础知识范畴。不过此次整理并不全面，仅涵盖了一些我认为较为基础且常见的指标，后续在实际任务中若遇到其他相关指标，再进行补充更新。

例如，在实际应用中经常提及的AUC、MAP（Mean Average Precision）、HR（Hit Ratio）、NDCG（Normalized Discounted Cumulative Gain）等指标。

相关内容在此处暂不进行归纳整理，这几个指标主要用于评估二分类问题中模型的性能表现，我之前已撰写过一篇内容详尽的文章对此进行系统梳理。其中最为关键的是AUC，该指标的计算方法必须掌握，同时相关的代码实现也应能够手动编写，具体可参考：

借助上述两篇文章，应当能够对机器学习领域中常用的评估指标与损失函数有较为全面的理解。在分类任务中，AUC是重点内容，通常在面试中会被作为必考知识点。接下来将介绍其他一些指标，这些内容主要用于衡量推荐系统中排名列表前K项的效果。

在top-k框架中，HR作为评估召回率的一种常见手段，同时也是一种易于理解的排序方法。接下来先对相关计算公式进行说明：

还没有任何评论哟~