根据1，2和3中的作者，召回是从存储库中的所有相关项目中选择的相关项目的百分比，精确度是查询所选项目中相关项目的百分比。
因此，假设用户 U 获得了一个top k 推荐的项目列表，它们将类似于：
召回 =（top- k 中的Relevant_Items_Recommended） / （Relevant_Items）
精确度 =（top- k 中的Relevant_Items_Recommended） / （ k _Items_Recommended）
直到那一部分一切都清楚但我不明白它们和召回率@ k 之间的区别。如何计算召回率@ k ？
答案 0 :(得分：6)
最后，我收到了Yuri Malheiros教授的解释（paper 1）。 Althougth回忆率@ k 在问题中引用的论文中引用似乎是正常的回忆指标，但应用于top- k ，它们并不相同。此指标也用于paper 2，paper 3和paper 3
召回率@ k 是一个百分比，取决于所做的测试，即推荐的数量，每个推荐是一个项目列表，一些项目是正确的，一些项目不是。如果我们提出50个不同的建议，让我们称之为 R （无论每个建议的项目数量是多少），计算召回率是必要的，以查看50个建议中的每一个。如果对于每个推荐，至少有一个推荐项是正确的，您可以增加一个值，在这种情况下，让我们称之为 N 。为了计算召回率@ R ，必须使 N / R 。