推荐系统排序(Rank)评价指标总结

时间:2022-04-06 09:02:08

1.Mean Average Precision (MAP)

AP=nij=1P(j).yi,jnij=1yi,j
其中,
yi,j :排序中第j个元素对于查询i是否是相关的;相关为1,不相关为0。
P(j)=k:πi(k)πi(j)y(i,k)πi(j)
其中,
πi(j) 为j的排序位置。

例如,
rank_no    是否相关
1        1
2        0
3        1
4        0
5        1
6        0
则根据AP计算公式:
AP = (1*1 + (1/2) *0+ (2/3)*1 + (2/4)*0 + (3/5)*0 + (3/6)*0) /3 = …

举例,第一项,P(1) = 它前面的项(包括自己)相关的个数除所在排序的位置(也就是1)。第一位及前面(前面没有)相关的个数就是它本身,所以P()的分子就是1,分母也是1.所以取值为1。同时y值为1.最终的对应AP中的项就是1
其他以此类推。
AP的最大值为1(也就是当相关的全部排在不相关的前面的时候)
MAP就是对所有query的AP求平均。

2.Mean Reciprocal Rank (MRR)

推荐系统排序(Rank)评价指标总结
其中|Q|是查询个数,ranki是第i个查询,第一个相关的结果所在的排列位置。
举例:
推荐系统排序(Rank)评价指标总结
对于三个查询,每个查询的ranki分别为3、2、1。所以,
MRR=1/3(1/3+1/2+1/1)
(参考自Wikipedia)

3.NDCG

首先是DCG的定义:
推荐系统排序(Rank)评价指标总结

其中,
reli 为排在第i个位置的物品实际的评价分值(也就是和查询相关的程度)
举例:
推荐系统排序(Rank)评价指标总结
所以:
推荐系统排序(Rank)评价指标总结

理想的DCG,也就是排序是最理想的情况(3,3,2,2,1,0):
推荐系统排序(Rank)评价指标总结

最终的NDCG为:
推荐系统排序(Rank)评价指标总结
(参考自Wikipedia)
以上是信息检索中常用的nDCG指标。考虑推荐中(二值评分–0,1)的情况。参考文献【1】中,给出了更适合的描述(实际定义都是一样。只是上面描述时,评分是连续的分值;而【1】中的描述考虑的是[0,1]分值):
推荐系统排序(Rank)评价指标总结

4.Kendall tau distance

也就是两个排序间,评价存在分歧的对的数量。具体定义如下:
推荐系统排序(Rank)评价指标总结
其中, τ1(i) τ2(i) 分别为元素i在两个排序中的序位
如果两个排序完全一样。则Kendall tau distance位0。否则,如果两个排序完全相反,则为 n(n1)/2
通常 Kendall tau distance都会通过除以 n(n1)/2 来归一化。

举例:
推荐系统排序(Rank)评价指标总结

推荐系统排序(Rank)评价指标总结

从中可以看出有4个元素对在两个排序中存在分歧。所以归一化后的Kendall tau distance为:
推荐系统排序(Rank)评价指标总结
(参考自Wikipedia)
此外,参考文献【1】中也有这个指标的介绍。略有不同,下面直接截取供大家参考:
推荐系统排序(Rank)评价指标总结
5、Spearman’s ρ (斯皮尔曼的ρ) [1]
基本思想类似Kendall tau distance:比较两个排序(通常一个是理想排序)的(排序值的)皮尔逊相关系数。
比如在推荐中,一个推荐排序列表采用物品实际的评分值(用户实际的偏好程度) 排序。一个是你的模型对物品的实际排序。 si,j 表示你模型预测中,物品j在用户i的推荐列表上的排序位置; yi,j 表示按实际用户i对物品的评分来排序时物品j在i的推荐列表上的排序位置。 s¯ 表示 si,j 的平均值; y¯ 表示 yi,j 的平均值.。则:
推荐系统排序(Rank)评价指标总结
其中 Ωtest 为测试集

更多参考文献:
【1】 Statistical Methods for Recommender Systems