1.Mean Average Precision (MAP)
AP=∑nij=1P(j).yi,j∑nij=1yi,jAP=∑j=1niP(j).yi,j∑j=1niyi,j
其中,
yi,jyi,j:排序中第j个元素对于查询i是否是相关的;相关为1,不相关为0。
P(j)=∑k:πi(k)≤πi(j)y(i,k)πi(j)P(j)=∑k:πi(k)≤πi(j)y(i,k)πi(j)
其中,
πi(j)πi(j)为j的排序位置。
例如,
rank_no 是否相关
1 1
2 0
3 1
4 0
5 1
6 0
则根据AP计算公式:
AP = (1*1 + (1/2) *0+ (2/3)*1 + (2/4)*0 + (3/5)*0 + (3/6)*0) /3 = …
举例,第一项,P(1) = 它前面的项(包括自己)相关的个数除所在排序的位置(也就是1)。第一位及前面(前面没有)相关的个数就是它本身,所以P()的分子就是1,分母也是1.所以取值为1。同时y值为1.最终的对应AP中的项就是1
其他以此类推。
AP的最大值为1(也就是当相关的全部排在不相关的前面的时候)
MAP就是对所有query的AP求平均。
2.Mean Reciprocal Rank (MRR)
其中|Q|是查询个数,ranki是第i个查询,第一个相关的结果所在的排列位置。
举例:
对于三个查询,每个查询的ranki分别为3、2、1。所以,
MRR=1/3∗(1/3+1/2+1/1)MRR=1/3∗(1/3+1/2+1/1)
(参考自Wikipedia)
3.NDCG
首先是DCG的定义:
其中,
relireli为排在第i个位置的物品实际的评价分值(也就是和查询相关的程度)
举例:
所以:
理想的DCG,也就是排序是最理想的情况(3,3,2,2,1,0):
最终的NDCG为:
(参考自Wikipedia)
以上是信息检索中常用的nDCG指标。考虑推荐中(二值评分–0,1)的情况。参考文献【1】中,给出了更适合的描述(实际定义都是一样。只是上面描述时,评分是连续的分值;而【1】中的描述考虑的是[0,1]分值):
4.Kendall tau distance
也就是两个排序间,评价存在分歧的对的数量。具体定义如下:
其中,τ1(i)τ1(i)和τ2(i)τ2(i)分别为元素i在两个排序中的序位
如果两个排序完全一样。则Kendall tau distance位0。否则,如果两个排序完全相反,则为n(n−1)/2n(n−1)/2。
通常 Kendall tau distance都会通过除以n(n−1)/2n(n−1)/2来归一化。
举例:
从中可以看出有4个元素对在两个排序中存在分歧。所以归一化后的Kendall tau distance为:
(参考自Wikipedia)
此外,参考文献【1】中也有这个指标的介绍。略有不同,下面直接截取供大家参考:
5、Spearman’s ρ (斯皮尔曼的ρ)[1][1]
基本思想类似Kendall tau distance:比较两个排序(通常一个是理想排序)的(排序值的)皮尔逊相关系数。
比如在推荐中,一个推荐排序列表采用物品实际的评分值(用户实际的偏好程度) 排序。一个是你的模型对物品的实际排序。s∗i,jsi,j∗表示你模型预测中,物品j在用户i的推荐列表上的排序位置;y∗i,jyi,j∗表示按实际用户i对物品的评分来排序时物品j在i的推荐列表上的排序位置。s¯∗s¯∗ 表示s∗i,jsi,j∗的平均值;y¯∗y¯∗ 表示y∗i,jyi,j∗的平均值.。则:
其中ΩtestΩtest为测试集
更多参考文献:
【1】 Statistical Methods for Recommender Systems