1、Precision 准确率
是根据用户在训练集上的行为给用户作出的推荐列表，
是用户在测试集上的行为列表。
2、Recall 召回率
3、F1 Score
折中了准确率和召回率。
4、HR(Hit Ratio)
物理意义：关心用户想要的，我有没有推荐到，强调预测的“准确性” 。
在TopK推荐中，HR是一种常用的衡量召回率的指标，计算公式为：
分子：每个用户TopK列表中属于测试集的个数 的总和。
分母： 用户在测试集中的物品总个数。
例如：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 (6+5+4)/(10+12+8) = 0.5 。
转载自：https://blog.csdn.net/qq_40006058/article/details/89432773
5、MAP(Mean Average Precision) 平均准确率
解释1：源自网络
解释2：源自论文《Modeling User Exposure in Recommendation. WWW. 2016》
表示测试集中用户u点击过的物品i的集合。
6、NDCG(Normalized Discounted Cummulative Gain) 归一化折损累积增益
物理意义：关心找到的这些项目，是否放在用户更显眼的位置里，即强调“顺序性“ 。
MAP和NDCG是排名指标中最受欢迎的两个，MAP考虑的是0和1的排序，而NDCG考虑评分的排序。
理解NDCG需要从CG开始。
CG（cumulative gain，累计增益）可以用于评价基于打分/评分的个性推荐系统。假设我们推荐 k 个物品，这个推荐列表的
计算公式如下： 
表示第k个物品的相关性或者评分。假设我们共推荐k个电影， 可以是用户对第i部电影的评分。
例如，豆瓣给用户推荐了五部电影，
该用户对这五部电影的评分分别是
5, 3, 2, 1, 2
那么这个推荐列表的CG等于
= 5+3+2+1+2 = 13
CG没有考虑推荐的次序，在此基础之后我们引入对物品顺序的考虑，就有了DCG(discounted CG)，折扣累积增益。
公式如下： 
仍然是 ，评分仍是5, 3, 2, 1, 2
那么这个推荐列表的DCG是
DCG没有考虑到推荐列表和每个检索中真正有效结果个数，所以最后我们引入NDCG(normalized discounted CG)，顾名思义就是标准化之后的DCG，公式如下：
其中IDCG是指ideal DCG，也就是完美结果下的DCG。
上述NDCG求解是针对某一用户，全局NDCG为所有用户NDCG的平均值。
该部分转载自：http://sofasofa.io/forum_main_post.php?postid=1002561
在学术论文中， 例如《Modeling User Exposure in Recommendation. WWW. 2016》，是这么描述的：
