m0_57914665: 在信息检索和推荐系统中，`TP@k`（True Positives @ k）和`FN@k`（False Negatives @ k）是评估推荐系统性能时使用的术语，特别是在二分类或多分类任务中。它们分别代表在前k个推荐结果中真正的正例数量（真正相关或用户真正感兴趣的项目数量）和未被推荐但实际相关的项目数量。- **TP@k (True Positives @ k)**: 在推荐系统的前k个推荐结果中，实际被正确推荐的相关项目的数量。这些是系统正确识别并推荐给用户的项目。- **FN@k (False Negatives @ k)**: 在推荐系统的前k个推荐结果之外，但实际上相关的项目数量。这些是系统未能推荐给用户的相关项目。### 示例假设在一个推荐系统中，我们有一个用户的测试集包含10部相关电影（用户会喜欢的电影）。系统推荐了10部电影作为推荐列表（k=10）。- 如果在这10部推荐电影中有7部确实是用户会喜欢的，那么 `TP@10` 就是7。- 假设测试集中还有3部相关电影没有被推荐，那么 `FN@10` 就是3。### 公式- **TP@k**:[ ext{TP@k} = sum_{i=1}^{k} mathbf{1}_{{ ext{第 } i ext{ 个推荐项目是相关的}}} ]这里 (mathbf{1}_{{cdot}}) 是指示函数，如果条件满足则为1，否则为0。- **FN@k**:[ ext{FN@k} = sum_{ ext{所有相关项目}} mathbf{1}_{{ ext{项目不在前 } k ext{ 个推荐中的}}} ]### 使用场景- **TP@k** 被用于计算精确率 (`Precision@k`) 和 F1 分数 (`F1@k`)。- **FN@k** 被用于计算召回率 (`Recall@k`) 和 F1 分数。通过计算 TP@k 和 FN@k，我们可以进一步分析推荐系统的性能，并据此调整推荐算法以优化用户体验。
搜索推荐评价指标Precision@k、Recall@k、F1@k、NDCG@k道与计算机编程: 作者对搜索结果评价指标的理解是不是有点点问题，以Precision@3为例，2/3的结果完全不能代表任何情况下搜索任务的精确度，你能明白我的意思么？因为你的这种计算方法只考虑了单次搜索，对评价整体任务看起来并没有意义。欢迎讨论
[TensorFlow笔记] 获取Tensor的维度（tf.shape(x)、x.shape和x.get_shape()的区别）书店莫得: 解决问题，感谢博主分享，写的很清晰明了。赞
机器翻译评价指标之BLEU详细计算过程HIT_胡森林: 应该是对结果扩大了100倍
解码之Beam Search算法@__Chao - L: 有没有实现代码？