如何计算基于循环神经网络 (RNN) 的推荐系统的召回率答案

【问题标题】：How to calculate Recall for Recurrent Neural Network (RNN) based Recommendation System如何计算基于循环神经网络 (RNN) 的推荐系统的召回率
【发布时间】：2017-06-17 17:40:25
【问题描述】：

据我所知，在Top-N推荐系统中，Recall的公式如下：

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

其中 {A} 是用户实际购买的东西，{B} 是系统推荐的 Top-N 东西。

但在基于RNN的推荐系统中，它与基于kNN的推荐系统（基于用户或基于项目的系统）等传统推荐系统略有不同。

基于RNN的推荐系统的目标是预测用户在下一次“t+1”时可能会购买的东西。每一步，系统都会给出Top-N推荐。参考论文：enter link description here

那么如何计算基于循环神经网络 (RNN) 的推荐系统的召回率？

【问题讨论】：

标签： deep-learning recommendation-engine recurrent-neural-network collaborative-filtering precision-recall

【解决方案1】：

https://arxiv.org/pdf/1511.06939.pdf

在本文中，召回率被计算为“在所有测试用例中的前 k 个项目中具有所需项目的案例的比例。”

【讨论】：

我也读过这篇论文。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”并在第二个序列中成功预测“h”、“k”，召回率计算如下：(3+2)/(5+6)。我说的对吗？
我认为没有比全部添加更好的解释了。