推荐算法之排序召回推荐指标总结

前言

最近想起总结一下常用的推荐指标了，觉得这也是最基础的知识点吧。不过这个也不是很全，只是将一些我认为基础的常用的进行了一下总结，后续在任务中遇到其他的再进行补充吧。

比如我们常听到的AUC, MAP(Mean Average Precison), HR(Hit Ratio)，NDCG(Normalized Discounted Cumulative Gain),等。

1、ROC与AUC

这些内容， 这里就不整理了，这几个主要是评价二分类问题中模型的性能好坏， 我之前已经有非常详细的一篇文章进行梳理， 这里面最重要的就是AUC， 这个计算一定要会， 计算代码也得会手撸， 具体参考:

推荐系统之ROC和AUC详解

通过这两篇文章， 应该可以把ML里面常用的评估指标和损失函数给拎起来， 这里面分类的重点就是AUC， 这个面试一般必考。下面开始介绍另外一些指标， 下面这些，主要是衡量的推荐列表topK的评价了。

2、 Hit Ratio(HR)

在top-k里面，HR是一种常用的衡量召回率的方式，也是很容易理解的一种排序方式。先看一下计算公式：

 分母是所有测试集合， 分子表示每个用户top-K列表中属于测试集合的个数总和。举个简单的例子，三个用户在测试集中的商品个数分别是10，12，8，模型得到的top-10推荐列表中，分别有6个，5个，4个在测试集中，那么此时HR的值是(10+12+8)/(6+5+4)​=0.5。

3、Mean Average Precision(MAP)

这一些关于