大部分的推荐系统都采用推荐预测的准确度衡量推荐算法的优劣，目前使用较多的准确度指标有预测准确度、分类准确度和排序准确度，辅助评价指标如流行性、多样性等。
预测准确度
主要思想：将推荐系统产生的预测评分与用户真实评分进行相似度匹配。
经典方法：平均绝对误差（MAE）
分类准确度
用于判断一个用户对推荐系统的对象是否满意的比例，不关心算法评分正确与否。
常用指标：准确率、召回率、F指标。
准确率：反映用户喜欢被推荐物品的程度
召回率：反映推荐物品覆盖用户喜欢物品的程度。
比如，我们给用户推荐5个物品REC{a,s,d,f,g}，用户实际喜欢的是T{c,d,v,f}，那么推荐的评测指标就是，推荐的物品是不是用户喜欢的？所占比例是多少？
REC与T的交集是{d,f}，占所推荐5个物品的40%，占用户喜欢物品的50%，因此准确率就是40%，召回率就是50%。
一般推荐的东西越多，越可能覆盖用户喜欢的物品，召回率会提高，但牺牲了准确率，因此要平衡二者的关系，如F准则.
在搜索方面，要保证召回率，提高准确率；在反垃圾、疾病监测方面，要保证准确率，提高召回率。
F准则
排列准确度
用来衡量运行推荐算法后，预测系统生成的对象推荐表满足用户对资源对象实际排序的能力，
适用场合：需要评价给目标用户推荐一个排序列表的系统
度量方法：平均排序分，排序分越小说明系统趋向于把用户喜欢的产品排在前面。平均排序分越小越精确。