【推荐系统】评估指标总结

准确率指标:

该类型的指标大部分是推荐算法优化的目标，衡量着推荐算法的优劣。

1. 准确率。推荐给用户的商品中，属于测试集的比例，数学公式$P(L_{u})=frac{L_{u}igcap B_{u}}{L_{u}}$ 。整个测试集的准确率为 $P_{L}=frac{1}{n}sum_{uepsilon U}P(L_{u})$
2. 召回率。测试集中有多少在用户的推荐列表中。数学公式$R(L_{u})=frac{L_{u}igcap B_{u}}{ B_{u}}$。整个测试集的召回率为$R_{L}=frac{1}{n}sum_{uepsilon U}R(L_{u})$
3. F1值。准确率和召回率的加权，数学公式 $F_{eta }=frac{(1+eta ^{2})PR}{eta ^{2}P+R}$。
4. Ranking Score。数学公式 $R=frac{1}{|E^{U}|}sum_{uiepsilon E^{U}}frac{p_{ui}}{M-k_{u}}$ 其中$E^{U}$ 表示测试集中所有的边的集合，如果用户u对商品i在测试集中，则$E_{ui}=1$，$p_{ui}$表示商品i在用户u的推荐列表中的位置，分母$M-k_{u}$表示用户u的所有商品数目中除了用户已经购买过的商品外的所有商品。该值越小，说明测试集中的商品越靠前。
5. Hit ratio。数学公式 $HR@K=frac{Number of Hits @K}{|GT|}$. 分母是所有的测试集合，分子是每个用户前K个中属于测试集合的个数的总和，该指标衡量是召回率，该指标越大越好。
6. NDCG。数学定义 $NDCG@=Z_{k}sum_{i=1}^{K}frac{2^{r_{i}}-1}{log_{2}(i+1)}$。r_i表示在第i个位置时的“等级关联性”，一般可以用0/1处理，如果该位置的物品在测试集合中，则r_i=1，否则为0。另外Z_K是归一化系数，表示后面的那一个累加求和公式的最好情况下的和的倒数，也就是r_i=1都满足的情况下的后面那一坨的总和，为了使得NDCG计算出来的数值i都在0-1之内。
7. 交叉熵。这个指标作为其余机器学习的优化目标用的比较多，该指标在https://arxiv.org/pdf/1708.05031.pdf中首先被提出来。论文假设如果用户u购买了物品i,则$y_{ui}=1$否则$y_{ui}=0$，则最终的机器学习的模型的优化目标为 $L=-sum_{(u,i)epsilon mathbf{Y}igcupmathbf{Y^{-}}}(y_{ui}loghat{y}_{ui}+(1-y_{ui})log(1-hat{y}_{ui}))$ 。
8. MAE。该指标对适合对数据集拥有打分进行评估，例如豆瓣影评，上面存在对每个电影的1-5的打分。数学公式 $MAE=frac{sum_{(u,i)epsilon E^{U}|y_{ui}-hat{y}_{ui}}|}{|E^{U}|}$ 表示所有测试集中推荐预测的分和实际用户打的分的差异，该值越小越好。
9. RMSE。该指标同样适用于对评分为数值打分的情景。数学公式 $RMSE=sqrt{frac{sum_{(u,i)epsilon E^{U}}(y_{ui}-hat{y}_{ui})^{2}}{|E^{U}|}}$ 含义类似于MAE。

非准确率指标:

该类型的指标重载衡量推荐的结果的“个性化”“多样性”“新颖性”等指标，推荐的的愿景之一就是“千人千面”，推荐给每个人的商品都是只是他本人的兴趣使然，抑或是根据本人兴趣进行扩展的商品集合。至于为什么要进行兴趣扩展，因为“过拟合”同样是推荐系统面临的重要挑战之一，关于推荐系统的“过拟合”现象，在这里不做展开。

1. Hamming distance. 数学公式 $H=frac{1}{N(N-1)}sum_{(i,j)epsilon N,i eq j}(1-frac{c(i,j)}{K})$ 其中$c(i,j)$表示用户 i,j 前K个推荐结果中有多少是相同的个数，N表示所有的用户数目。海明距离能够有效衡量两个用户推荐列表的差异，该值越大越说明用户之间的推荐结果越不相同，差异性越大。
2. Intrasimilarity ，内部相关性。数学公式 $I=frac{1}{N}sum_{uepsilon U}(frac{1}{K(K-1)sum_{alpha eq eta }s_{alpha eta }})$ 其中$s_{alpha eta }$表示商品$alpha eta $的相似度，相似的计算方式可以是Jaccard系数，皮尔森相关系数，向量余弦法等。对于用户u的推荐列表，如果物品与物品之间的相似度越大，说明推荐给用户的商品比较单一，推荐算法越发现不了新的物品；反之，如果该值越小，则推荐的物品越丰富，越有利于对用户的兴趣进行扩展。
3. Popularity，流行度指标。数学公式 $N=frac{1}{N}sum_{alpha epsilon O_{R}^{u}}frac{d_{alpha }}{K}$ 其中$O_{R}^{u}$表示用户u的前K个推荐物品的集合，$d_{alpha }$表示$alpha$的被多少用户购买过，购买次数越多，则该商品越流行。该指标越大，说明推荐算法倾向于推荐“热度”越大、越流行的商品；反之，则越倾向于推荐比较冷门的物品，越能反映出用户的兴趣。