Deep learning 基于递归神经网络（RNN）推荐系统的召回率计算_Deep Learning_Recommendation Engine_Recurrent Neural Network_Collaborative Filtering_Precision Recall

Deep learning 基于递归神经网络（RNN）推荐系统的召回率计算

deep-learning

Deep learning 基于递归神经网络（RNN）推荐系统的召回率计算,deep-learning,recommendation-engine,recurrent-neural-network,collaborative-filtering,precision-recall,Deep Learning,Recommendation Engine,Recurrent Neural Network,Collaborative Filtering,Precision Recall,据我所知，在Top-N推荐系统中，召回公式如下： recall = |{A} and {B}| / |{A}| 其中{A}是用户实际购买的物品，{B}是系统推荐的前N名物品。但在基于RNN的推荐系统中，它与传统的推荐系统如基于kNN的推荐系统（基于用户或基于项目的推荐系统）略有不同基于RNN的推荐系统的目标是预测用户在下一次“t+1”时可能购买的东西。在每个步骤中，系统将给出Top-N建议。参考文件：那么，如何为基于递归神经网络（RNN）的推荐系统计算召回率呢？在本文中，召回率计算为“

据我所知，在Top-N推荐系统中，召回公式如下：

recall = |{A} and {B}| / |{A}|

其中{A}是用户实际购买的物品，{B}是系统推荐的前N名物品。

但在基于RNN的推荐系统中，它与传统的推荐系统如基于kNN的推荐系统（基于用户或基于项目的推荐系统）略有不同

基于RNN的推荐系统的目标是预测用户在下一次“t+1”时可能购买的东西。在每个步骤中，系统将给出Top-N建议。参考文件：

那么，如何为基于递归神经网络（RNN）的推荐系统计算召回率呢？

在本文中，召回率计算为“在所有测试用例的前k个项目中，拥有所需项目的案例的比例。”

我也读过这篇文章。假设我们有两个序列：[a，x，c，j，e]和[f，t，h，k，p，y]，如果系统在第一个序列中成功预测“x”，“c”，“e”，在第二个序列中成功预测“h”，“k”，召回率计算如下：（3+2）/（5+6）。我说得对吗？我认为没有比把它们全部加起来更好的解释了。