29、推荐系统评估与数据处理技术

推荐系统评估与数据处理技术

1. 评估指标

在推荐系统的评估中，有几个重要的指标值得关注。

1.1 Fβ - 度量

F - 度量可以推广到 Fβ - 度量，它允许独立调整与精确率（precision）或召回率（recall）相关的权重，公式如下：
[F_{\beta}=\frac{(1 + \beta^{2})\cdot precision\cdot recall}{\beta^{2}\cdot precision + recall}]
常见的度量有 F2，它赋予召回率的权重是精确率的两倍；以及 F0.5，它赋予精确率的权重是召回率的两倍。

1.2 误报率（Fall - out）

也称为假阳性率（FPR），它是所有不相关推荐中被检索出的不相关推荐的比例，计算公式为：
[FPR=\frac{false\ positives}{false\ positives + true\ negative}]
与其他信息检索统计指标不同，误报率越低，推荐系统的性能越好。

1.3 归一化折损累计增益（Normalized discounted cumulative gain）

折损累计增益（DCG）是基于推荐实体的分级相关性来衡量推荐系统性能的指标，取值范围在 0 到 1 之间，1 表示完美排序。其计算公式为：
[DCG_{p}=\sum_{i = 1}^{p}\frac{2^{rel_{i}}- 1}{\log_{2}(i + 1)}]
其中，(rel_{i}) 是位置 (i) 处结果的相关性，(p) 是排名位置。

由于搜索结