1、2、および3の著者によると、Recallはリポジトリ内のすべての関連アイテムから選択された関連アイテムの割合であり、 Precisionはクエリによって選択されたアイテムのうちの関連アイテムの割合です。
したがって、ユーザーUがアイテムの上位kの推奨リストを取得すると仮定すると、それらは次のようになります。
Recall = (Relevant_Items_Recommended in top - k ) / (Relevant_Items)
精度= (上位kの Relevant_Items_Recommended ) / ( k _Items_Recommended)
その部分まではすべて明らかですが、それらとRecall rate@kの違いがわかりません。再現率@kを計算する式はどのようになりますか?
最後に Yuri Malheiros 教授から説明を受けました (論文 1 )。質問で引用された論文で引用されているリコール率 @ kは、通常のリコール指標のように見えましたが、上位 k に適用されましたが、同じではありません。このメトリックは、論文 2、論文 3、および論文 3でも使用されます。
再現率＠ｋは、行われたテスト、すなわち推奨の数に依存するパーセンテージであり、各推奨はアイテムのリストであり、いくつかのアイテムは正しく、いくつかは正しくない。50 の異なるレコメンデーションを作成した場合、それをRと呼びましょう(各レコメンデーションのアイテム数に関係なく)。再現率を計算するには、50 のレコメンデーションのそれぞれを調べる必要があります。各レコメンデーションについて、少なくとも 1 つのレコメンデーション アイテムが正しい場合は、値を増やすことができます。この場合、それをNと呼びます。再現率 @ Rを計算するには、 N / Rを作成する必要があります。