我建议使用Expected Utility或R-score。假设您的模型创建了一个有序的推荐列表，其中第一项是用户最有可能的，最后一项是用户最不可能感兴趣的。假设这些推荐由$r_i$在哪里$i$是列表中的位置。

特定用户 u 的预期效用现在定义为： $R_u=\sum_{i=1}^{n}\frac{f_u(r_i)}{2^{\frac{i-1}{\alpha-1}}}$

在哪里 ...

• $f_u(r_i)=1$, 如果推荐的项目$r_i$是用户的图书馆，否则为 0
• $\alpha$指定衰减的斜率。alpha 越小，斜率越大。

该指标衡量用户查看推荐项目的可能性，假设向他推荐项目列表。如果感兴趣的项目被放置在非常高的位置，用户不太可能会费心滚动/看那么远，即使它正是他/她想要的。在这个意义上，$\alpha$指定普通用户的耐心程度。

要计算一组用户的 R-score，建议事先对每个用户的 R-score 进行归一化。结果得分是

$R =\sum_u\frac{R_u}{R_u^*}$

在哪里$R_u^*$是您可以为一位用户获得的最大 R 分数。也就是说，假设用户在他的库中有 k 个要预测的项目，前 k 个位置的项目正是这些项目。

有关更多指标或一般性阅读，我推荐Shani 和 Gunarwadana 的Evaluating Recommendations Systems