본문 바로가기
[추천시스템] Precision@K, Recall@K, AP@K 정의부터 하고 살펴보자 Precision@K 추천시스템이 추천한 K개 아이템 가운데 실제 유저가 관심있는 아이템의 비율 Recall@K 유저가 관심있는 전체 아이템 가운데 추천시스템이 추천한 아이템의 비율 예시를 들어 보자 여기서는 사용자도 item을 4개 선택했지만 사용자가 선택할 item의 갯수는 달라질 수 있다. Precision@3은 (추천시스템과 사용자가 선택한 item 중 겹치는 것의 갯수) / (추천시스템이 추천한 item)이 되고, Recall@3은 (추천시스템과 사용자가 선택한 item 중 겹치는 것의 갯수) / (사용자가 선택한 item)이 된다. Precision@K, Recall@K은 순서를 신경쓰지 않지만 더 관심을 가질만한 아이템을 먼저 추천해주는 것이 중요하기 때문에 평가에 순..
[Day31] 추천 시스템 Basic 1-2 추천시스템의 평가 지표와 인기도 기반 추천 추천시스템의 평가지표 비즈니스 / 서비스 관점 추천 시스템을 적용했을 때 매출인 PV(page view)가 증가했느냐 추천 아이템으로 인해 유저의 CTR(Click Through Rate:노출 대비 클릭)이 증가했느냐 품질 관점 연관성 Relevance ex) 40대 남성에게 화장품이 추천되는 상황 다양성 Diversity ex)너무 머그컵만 추천하는 상황 새로움 Novelty ex) 창을 새로고침 할 때 마다 같은 아이템만 추천되는 상황 참신함 Serendipity 품질평가에서의 주요 특징보단 재미요소이다. 연관성과 충돌할 수 있다. Offline Test : 추천 모델을 검증하기 위해 가장 우선적으로 수행되는 단계 데이터를 train/valid/test로 나누어 객관적인 지표로 평가한다. offlin..

티스토리툴바