推荐算法指标全解析：从ACC到NDCG，一篇搞定所有常见评价标准

推荐算法评估指标实战指南：从基础指标到排序优化

在推荐系统的世界里，指标就像导航仪，指引着我们优化算法的方向。想象一下，当你调整了推荐模型的参数后，如何判断它是否真的变得更聪明了？这就是评估指标的用武之地。本文将带你深入理解这些指标背后的逻辑，而不仅仅是记住公式。

1. 基础分类指标：理解推荐系统的"基本功"

1.1 准确率(ACC)的适用场景与陷阱

准确率看似是最直观的指标——它计算了所有预测正确的比例。公式很简单：

ACC = (TP + TN) / (TP + TN + FP + FN)

但在推荐系统中，准确率往往具有欺骗性。举个例子：

• 在电商场景中，用户点击/购买的商品（正样本）可能只占全部商品的1%
• 即使模型把所有商品都预测为"不点击"，准确率也能达到99%
• 这样的模型实际上毫无用处

适用场景：正负样本比例均衡时（如50-50），准确率才有参考价值。在大多数推荐场景中，我们更关注以下指标。

1.2 Precision与Recall的权衡艺术

精确率(Precision)和召回率(Recall)是推荐系统的"黄金搭档"：

这两个指标往往存在此消彼长的关系：

• 如果只推荐最确定的几个商品（提高Precision），可能会漏掉很多用户潜在兴趣（Recall低）
• 如果广撒网推荐大量商品（提高Recall），可能会包含很多不相关结果（Precision低）

实战建议：电商首页推荐通常追求高Precision（用户体验优先），而召回阶段可以适当提高Recall

1.3 F1分数：平衡的艺术

F1分数是Precision和Recall的调和平均数：

F1 = 2 * (Precision * Recall) / (Precision + Recall)