召回阶段

命中率

• 预测准确的正样本数 / 所有预测为正样本的数量

召回率

• 预测准确的正样本数 / 所有正样本数

排序阶段

AUC

• 从物理意义来说，ROC曲线的面经，ROC曲线即横坐标是假阳率，纵坐标是真阳率的曲线

• 不断设置阈值，最开始阈值是1，只有高于这个阈值的样本才会预测为正，所以最开始是（0，0）

• 不断将将每个样本的预测概率作为阈值

• 直接意义来说的话，是随机选取一个正样本和一个负样本，模型预测正样本得分高于负样本的概率

GAUC

• 计算AUC的时候，不同用户有各自的个性化差异，GAUC即将用户分组后计算AUC然后加权平均

比较下AUC和GAUC

• 因为对用户进行的分组，所以高活跃用户和低活跃用户分布不均的时候用GAUC更好

• 存在很多新用户或者新物品，导致样本数量不足的时候，AUC计算

MRR

• 平均导数排名

• 

• 

CG

• 累计增益，没有考7虑推荐结果的位置因素，只简单地将推荐结果的相关性分数相加

• 

DCG

• 折损累计增益，考虑了推荐结果的一个位置因素

• 

NDGG

• 归一化折损累计增益，是对DCG的进一步归一化处理

• 比如现在需要比较两个推荐算法的性能，即使推荐结果集长度不同，也可以通过归一化DCG的方式去比较

• DCG / 理想排序下的最大DCG

•