07-01 推荐系统常用度量指标
人工智能从入门到放弃完整教程目录：https://www.cnblogs.com/nickchen121/p/11686958.html
推荐系统常用评估指标
一、RMSE
加大了对预测不准的用户物品评分的惩罚。
\[\text{RMSE}=\sqrt\frac{\sum_{u,i\in{T}}(r_{ui}-\hat{r_{ui}})^2}{|T|}
\]
# records[i] = [u,i,rui,pui] # rui是用户u对物品i的实际评分，pui是用户u对物品i的预测评分
def rmse(records):
"""计算均方根误差"""
return math.sqrt(sum([(rui-pui)*(rui-pui) for u,i,rui,pui in records])/len(records))
二、MAE
如果评分系统是基于整数建立的，对预测结果取整会降低MAE的误差。
\[\text{MAE}=\frac{\sum_{u,i\in{T}}|r_{ui}-\hat{r_{ui}}|}{|T|}
\]
# records[i] = [u,i,rui,pui] # rui是用户u对物品i的实际评分，pui是用户u对物品i的预测评分
def mae(records):
"""计算平均绝对误差"""
return math.sqrt(sum([abs(rui-pui) for u,i,rui,pui in records])/len(records))
三、Precision(准确率)&Recall(召回率)
\[\text{Precision}=\frac{\sum_{u\in{U}}|R(u)\bigcap{T(u)}|}{\sum_{u\in{U}}|R(u)|}
\]
其中\(R(u)\)是用户在训练集上的行为给用户作出的推荐列表。
\[\text{Recall}=\frac{\sum_{u\in{U}}|R(u)\bigcap{T(u)}|}{\sum_{u\in{U}}|T(u)|}
\]
其中\(T(u)\)是用户在测试集上的行为给用户作出的推荐列表。
def precision_recall(test, N):
"""
计算准确率和召回率
test:
N: 推荐列表长度
"""
hit = 0
n_recall = 0
n_precision = 0
for user, item in test.items():
rank = Recommend(user, N)
hit += lenn(rank & itmes)
n_recall += len(items)
n_precision += N
return [hit/(1.*n_recall), hit/(1.*n_precision)]
四、覆盖率
覆盖率描述一个推荐系统对物品长尾的发掘能力。
\[\text{Coverate}=\frac{|\bigcup_{u\in{U}}R(u)|}{I}
\]
其中\(R(u)\)是推荐系统给每个用户推荐一个长度为\(N\)的物品列表。
五、信息熵
信息熵可以定义覆盖率。
\[H=\sum_{i=1}^np(i)\log{p(i)}
\]
其中\(p(i)\)是物品\(i\)的流行度除以所有物品流行度之和。
六、基尼系数
基尼系数可以定义覆盖率。基尼系数也可以查看推荐系统算法是否具有马太效应（流行更流行，不流行更不流行）。
\[G=\frac{1}{n-1}\sum_{j=1}^n(2j-n-1)p(i_j)
\]
其中\(i_j\)是按照物品流行度\(p\)从小到大排序的物品列表中的第\(j\)个物品。
def gini_index(p):
"""计算基尼系数"""
j = 1
n = len(p)
G = 0
for item, weight in sorted(p.items(), key=itemgetter(1)):
G += (2*j-n-1)*weight
return G / float(n-1)
七、多样性
多样性描述了推荐列表中物品两两之间的不相似性。
\[\text{Diversity}(R(u))=1-\frac{\sum_{i,j\in{R(u)},i\neq{j}}s(i,j)}{\frac{1}{2}|R(u)|(|R(u)|-1)}
\]
其中\(R(u)\)为用户\(u\)的推荐列表，\(s(i,j)\in[0,1]\)定义了物品\(i\)和物品\(j\)之间的相似度。
推荐系统的整体多样性定义为：
\[\text{Diversity}=\frac{1}{|U|}\sum_{u\in{U}}\text{Diversity}(R(u))
\]
八、获取各种评测指标的途径
| - | 离线实验 | 问卷调差 | 在线实验 |
|---|---|---|---|
| 用户满意度 | x | y | o |
| 预测准确度 | y | y | x |
| 覆盖率 | y | y | y |
| 多样性 | o | y | o |
| 新颖性 | o | y | o |
| 惊喜度 | x | y | x |
九、长尾分布
\[f_i(k)=\alpha_ik^{\beta_i} \\
f_u(k)=\alpha_uk^{\beta_u}
\]
其中\(f_u(k)\)表示对\(k\)个物品产生行为的用户数；\(f_i(k)\)表示被\(k\)个用户产生过行为的物品数。
