根据1，2和3的作者的说法，调用是从存储库中所有相关项目中选择的相关项目的百分比，而 Precision 是在查询中选择的那些相关项目中的相关项目的百分比。
因此，假设用户U获得了推荐项目的前k个列表，则它们将类似于:
调用 =(在top-k中推荐的Relevant_Items_)/(Relevant_Items)
精度 =(在top-k中推荐的Related_Items_)/(k_Items_Recommended)
在此之前，所有内容都还很清楚，但我不了解它们与调用率@k 之间的区别。如何计算召回率@k 的公式？
最佳答案
最后，我收到了尤里·马尔海罗斯(Yuri Malheiros)教授(paper 1)的解释。问题中引用的论文中引用的Althougth召回率@k似乎是正常的召回指标，但应用于top-k，它们并不相同。该指标还用于paper 2，paper 3和paper 3
召回率@k是取决于所进行的测试的百分比，即建议的数量，每个建议都是项目列表，有些项目是正确的，有些则是不正确的。如果我们提出了50条不同的建议，则我们将其称为R(与每个建议的项目数无关)，以计算召回率以查看50条建议中的每条。如果对于每个推荐，至少有一个推荐项目是正确的，则可以增加一个值，在这种情况下，我们将其称为N。为了计算召回率@R，必须进行N/R的计算。
关于recommendation-engine - 召回率，召回率@k和top-k建议中的精度，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/33697625/