推荐系统-排序算法：常用评价指标：NDCG、MAP、MRR、HR、ILS、ROC、AUC、F1等

最新推荐文章于 2024-11-11 23:13:08 发布
最新推荐文章于 2024-11-11 23:13:08 发布
阅读量1.5k 收藏 1
点赞数
CC 4.0 BY-SA版权
分类专栏： # RS/排序层 文章标签： 人工智能 排序算法 推荐系统
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/u013250861/article/details/121071550
本文深入探讨了推荐算法的评价指标，如NDCG、MAP、MRR和HR等，以及它们在评估搜索效果中的应用。同时，介绍了ROC和AUC在信息检索中的作用，并强调了F1分数在衡量精度和召回率平衡时的重要性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

推荐系统排序指标：MRR、MAP和NDCG
Cachel Wood的博客
05-30 215
摘要： 本文介绍了推荐系统中的三种关键评估指标：MRR、MAP和NDCG，分别来自基于二进制相关性和基于应用的两类度量家族。MRR关注首个相关结果的位置，适用于问答系统等场景；MAP通过计算平均精度衡量排序质量，适合二元相关性评估但对多级评分不敏感；NDCG支持多级相关性，通过折损累计增益和归一化处理，综合评估排序整体性能。各指标各有优劣：MRR简单但忽略后续结果，MAP对高排序错误敏感，NDCG计算复杂但更全面。实际应用中需根据场景需求选择合适指标。
推荐系统常用评价指标(recall,MAP,MRR,NDCG,F1,ROC等)
Marcus-Bao的个人主页
03-05 8320
这里主要总结一下推荐系统当中常见的一些评价指标,主要包括: MAE,RMSE,recall,precision,MAP,MRR,NDCG等 MAE(Mean Average Error,平均绝对误差) 表示预测值和实际值之间的绝对误差的平均值. ##RMSE(Root Mean Square Error,均方根误差) 均方根误差是用来衡量观测值同真实值之间的偏差,RMSE越小越好. ##Reca...
推荐系统：常用评价指标总结【准确率、精确率、召回率、命中率、（归一化折损累计增益）NDCG、平均倒数排名(MRR)、ROC曲线、AUC（ROC曲线下的面积）、P-R曲线、A/B测试】
u013250861的博客
07-31 1912
网站在提供推荐服务时，一般是给用户一个个性化的推荐列表，这种推荐叫做TopN推荐，TopN推荐的预测准确率一般通过召回率和精确率来度量。在介绍召回率和精确率之前，首先要了解一下混淆矩阵表示样本的真实类别为正，最后预测得到的结果也为正；表示样本的真实类别为负，最后预测得到的结果却为正；表示样本的真实类别为正，最后预测得到的结果却为负；表示样本的真实类别为负，最后预测得到的结果也为负。......
算法基础：排序算法：7个常用的衡量指标
知行合一 止于至善
10-25 2902
时间复杂度和空间复杂度是衡量算法的重要指标，对于排序算法这一特定算法，这篇文章整理了一些常见的基础性的指标，后续将以此为基础进行进一步的解释。
Learning to Rank for IR的评价指标—MAP,NDCG,MRR
weixin_30896825的博客
02-25 599
MAP(Mean Average Precision)：单个主题的平均准确率是每篇相关文档检索出后的准确率的平均值。主集合的平均准确率(MAP)是每个主题的平均准确率的平均值。MAP 是反映系统在全部相关文档上性能的单值指标。系统检索出来的相关文档越靠前(rank 越高)，MAP就可能越高。如果系统没有返回相关文档，则准确率默认为0。例如：假设有两个主题，主题1有4个相关网页，主题2有5个相关网页...
与你生活密切相关的排序算法的评估指标
weixin_34179968的博客
02-24 244
本文是《机器学习宝典》第 4 篇，读完本文你能够掌握机器学习中排序算法相关的评估指标。读完分类与回归算法的评估指标之后，你已经知道了机器学习中分类与回归算法的评估指标。在这篇给大家介绍一些机器学习中排序算法相关的评估指标。生活中的排序问题直接说排序这个名词很多人可能觉得很陌生，但实际上它与你的生活密切相关。这里我们以搜索功能来说明下。比如你想学习机器学习，但是不知道如何入门，但是你想到有谷歌爸爸，...
排序算法的评估指标ranking-measures-and-loss-functions-in-learning-to-rank
02-12
该文档论述了排序算法和推荐系统的评估标准NDCG和MAP的原理和应用
排序算法常用评价指标计算方式（AUC,MAP,NDCG,MRR）
weixin_38405636的博客
06-13 2万+
现在的排序评估指标主要包括MAP、NDCG和AUC三个指标。NDCG考虑多指标，MAP和AUC考虑单个指标。1.AUC  最直观的，根据AUC这个名称，我们知道，计算出ROC曲线下面的面积，就是AUC的值。事实上，这也是在早期 Machine Learning文献中常见的AUC计算方法。由于我们的测试样本是有限的。我们得到的AUC曲线必然是一个阶梯状的。因此，计算的AUC也就是这些阶梯 下...
推荐系统常用的评价指标：HR、NDCG、MRR
热门推荐
shiaiao的博客
10-10 2万+
推荐系统常用的评价指标应用背景介绍评价指标的知识来源命中率HR(Hits Ratio)归一化折损累计增益(Normalized Discounted Cumulative Gain，NDCG)平均倒数排名(Mean Reciprocal Rank,MRR)实例参考 应用背景介绍 我们用一张表格展示推荐系统向用户推荐的列表与用户真实的访问项目,如下： 用户 真实值 推荐列表 A 12 3,10,15,12,17 B 3 20,15,18,14,30 C 5 2,5,7,8,15 D
推荐系统评价指标（2）：MAP与NDCG
最新发布
burstone的专栏
11-11 1459
定义：AP（Average Precision），它衡量的是推荐系统对于单个用户的排序质量，AP表示了对一个给定的用户，其推荐列表中相关项目的平均精度。例如，对于一个用户，其真实的兴趣列表中有3个项目，推荐系统为该用户推荐了6个项目：[1, 0, 1, 0, 1, 0]，其中三个1表示用户感兴趣的。可见，AP考虑了推荐列表中项目的位置，因此它是一个“顺序敏感”的指标，即推荐列表中相关项目的位置越靠前，其对AP的贡献越大。通常地，AP值越大，说明推荐系统对于该用户的相关项目排序越靠前，推荐效果越好。
推荐系统[四]：精排-详解排序算法LTR (Learning to Rank): poitwise, pairwise, listwise相关评价指标，超详细知识指南。
丨汀、的博客
02-27 3930
Learning to Rank (LTR)是一类技术方法，主要利用机器学习算法解决实际中的排序问题。传统的机器学习主要解决的问题是一个分类或者回归问题，比如对一个样本数据预测对应的类别或者预测一个数值分值。而LTR解决的是一个排序问题，对一个list的item进行一个排序，所以LTR并不太关注这个list的每个item具体得多少分值，更关注所有item的相对顺序。排序通常是信息检索的核心成分，所以LTR最常见的应用是搜索场景，对召回的document进行排序。
CG, DCG, NDCG
weixin_33924220的博客
11-21 563
衡量搜索引擎质量指标(DCG -- Discounted Cumulative Gain) 　　DCG的英文全称是Discounted cumulative gain，它是一个衡量搜索引擎算法的指标。 　　搜索引擎一般采用PI（peritem）的方式进行评测，简单地说就是逐条对搜索结果进行分等级的打分。假设我们现在在Google上搜索一个词，然后得到5个结果。我们对这些结果进行3个等级的区分：...
排序算法的重要评价标准
jokes000的专栏
08-26 3273
排序算法的评价标准： 1.时间复杂度 2.空间复杂度(in-place) 3.稳定性（是否干扰之前已排序好的数组的顺序）
排序算法的指标性能比较
weixin_30687811的博客
04-11 294
表一 排序方法 平均时间复杂度 最好时间复杂度 最坏时间复杂度 辅助空间 稳定性 冒泡排序 O（n2） O（n） O（n2） O（1） 稳定 简单选择排序 O（n2） O（n2） O（n2） O（1） 稳定 直接插入排序 O（n2） O（n） O（n2） O（1） 稳定 希尔排序　　 O（nlogn）~...
排序类问题度量指标:Recall , MAP，MRR
weixin_30307267的博客
05-03 740
信息检索领域的度量指标 对于给定的一个查询，返回了一系列文档。 1. Precision 精度：返回结果中相关文档的比重。P = 返回相关文档数/返回中文档数 2.Recall 召回率：返回结果中相关文档占总相关文档的比重。 Recall = 返回相关文档数/总相关文档数。 评价排序类问题的性能时，要同时考虑排序结果中相关个体的数目，也要考虑相关个体在整个列表中位置。当相关个体返回的越多，...
常用评价指标
qq_41557627的博客
08-02 231
《推荐算法常用评价指标：NDCG、MAP、MRR、HR、ILS、ROC、AUC、F1等》, 一起来围观吧 https://blog.youkuaiyun.com/qq_40006058/article/details/89432773?utm_source=app
信息检索的评价指标 precision recall F1 mAP NDCG MRR ROC
自己的学习笔记
10-20 3225
对网上查阅到的关于IR评价指标的信息做了一个简单汇总。 整理自： 有一篇比较全的综述 信息检索的评价指标 多标签图像分类任务的评价方法-mAP 信息检索（IR）的评价指标介绍 - 准确率、召回率、F1、mAP、ROC、AUC Learning to Rank for IR的评价指标—MAP,NDCG,MRR 信息检索的评价指标(Precision, Recall, F-score, M
排序算法总结
qq_69400797的博客
05-07 943
1.将各个元素按照关键字递增/递减的顺序重新排列2.排序是一种对数据集合进行整理和排列的过程，3.通常按照一定的顺序（如升序或降序）将数据集合中的元素进行排列。通过构建新的有序序列，对于未排序数据，在已排序序列中从后向前扫描，找到相应位置并插入希尔排序是插入排序的一种更高效的改进版本，也称为 ’‘缩小增量排序’‘它的基本思想是将待排序的数组按下表的一定增量分组，对每组采用直接插入排序算法。然后将增量缩小，继续分组排序，当增量减至1时，排序完正好有序。
排序(ranker)模型里面常用的评价指标梳理
Miracle8070
07-30 6889
1. 写在前面 最近的任务需要用到排序性的模型了，也就是LearningToRank的排序算法，关于这种排序算法， 预测的目标并不是点击或者不点击这样的二分类问题， 而是一个列表的整体排列顺序，是一种list-wise的方法，有时候更加符合推荐的场景。之前也整理过一篇文章, 具体的可以参考。 说到排序结果， 必然需要有指标用于评价排序结果的好坏，所以这篇文章的话主要是整理排序里面用到的常用评价指标，比如我们常听到的MRR(Mean Reciprocal Rank), MAP(Mean Average Pre
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值