可以做微课ppt模板 网站有哪些,众筹网站建设报价,网站策划案范文,天津营销网站建设公司排名基础概念 首先明确CG这一系列指标既可用于打分场景#xff0c;又可用于点击场景#xff0c;用于判断模型给出的推荐列表 y ^ \hat{y} y^和用户打分#xff08;点击列表#xff09; r e l rel rel之间的相似性。 基于CG的评价指标的计算 基础流程为#xff1a;
依据前…基础概念 首先明确CG这一系列指标既可用于打分场景又可用于点击场景用于判断模型给出的推荐列表 y ^ \hat{y} y^和用户打分点击列表 r e l rel rel之间的相似性。 基于CG的评价指标的计算 基础流程为
依据前端的召回模型对生成TOP-K推荐列表 y ^ \hat{y} y^按照推荐列表的顺序提取相应的用户的打分列表 r e l rel rel进行排序计算这一顺序下的打分和 这里需要明确其他推文里常提到的所谓 “相关性”简单认为是预先提供的用户打分Ground Truth即可。
指标介绍
CGK(Cummulative Gain):推荐列表中前K个物品用户给出的打分和如果是点击场景而非打分场景的话就是1官方名称是相关性rel实际没看出来和相关性的联系在哪 C G ∑ i 1 K r e l i CG\sum_{i1}^K rel_i CGi1∑Kreli 其中 r e l rel rel为按预测得到的推荐顺序得到的用户打分序列DCGK(Discounted Cumulative Gain)考虑了位置因素后对CG进行的修正使得越靠前推荐的物品计算打分和时的权重更大 D C G ∑ i 1 K r e l 1 l o g 2 ( i 1 ) DCG\sum^{K}_{i1} \frac{rel_1}{log_2(i1)} DCGi1∑Klog2(i1)rel1IDCGKIdeal Discounted Cumulative Gain): 最理想的推荐列表的DCG得分也就是将rel从大到小排布取前K个的DCG: I D C G ∑ i 1 K r e l 1 ′ l o g 2 ( i 1 ) IDCG\sum^{K}_{i1} \frac{rel_1}{log_2(i1)} IDCGi1∑Klog2(i1)rel1′ 其中 r e l ′ rel rel′表示降序排列用户的打分表NDCGK(Normalized Discounted Cumulative Gain): 归一化的折损累计增益避免用户本身打分的倾向性打高分或打低分对评价指标造成影响 N D C G D C G I D C G NDCG\frac{DCG}{IDCG} NDCGIDCGDCG
举例 假定对前端召回模型输出的物品打分预测为 y ^ [ 70 , 4 , 0.3 , 0.2 , 0.1 ] \hat{y}[70, 4, 0.3, 0.2, 0.1] y^[70,4,0.3,0.2,0.1]用户对应物品的打分列表为KaTeX parse error: Undefined control sequence: \rel at position 1: \̲r̲e̲l̲[5, 1, 0, 0, 1…那么有 C G 2 5 1 6 D C G 2 5 1 l o g 2 3 5.6309 I D C G 2 10 5 l o g 2 3 13.1546 N D C G 2 13.1546 / 5.6309 2.3361 CG2516\\ DCG25\frac{1}{log_2 3}5.6309\\ IDCG210\frac{5}{log_23}13.1546\\ NDCG213.1546/5.63092.3361 CG2516DCG25log2315.6309IDCG210log23513.1546NDCG213.1546/5.63092.3361
参考文献
谈谈NDCG的计算 sklearn.metrics.dcg_score
