正如你所说，推荐系统最常见的情况是预测评分。然后使用 RMSE/MAE。对于排序项目列表的结果，使用不同的度量，例如 Prec@K、Rec@K、AUC、NDCG、MRR、ERR。但是，有许多推荐算法都有自己的超参数和特定用例。根据您要实现的目标，您应该使用合适的方法对您的解决方案进行基准测试。最好的来源是出版物，正如您所注意到的，很多时候给出了 ML 数据集的结果。更重要的是对推荐系统进行基准测试，有时最好的预测结果并不像其他方面那么重要，例如新颖性或多样性。

对于最常用的方法，请尝试以下 librec 项目的基准测试结果： http ://www.librec.net/example.html ML-10M 没有结果，只有 ML-1M 用于评级，ML-100K 用于排名。但是您始终可以自己运行选择的算法。还有其他此类项目：http : //www.mymedialite.net/、http: //lenskit.org/。

说到推荐系统的评估，这个项目应该提到： https ://github.com/recommenders/rival 它专门用于推荐系统的数据准备（拆分）和评估。它是在上届 RecSys'2014 [1] 上提出的。也看看这个[2]。也有一些基准测试结果。

[1] A. Said 和 A. Belllogín，“RiVal – 在推荐系统评估中促进可重复性的工具包”，第 371–372 页，2014 年。

[2] A. Said 和 A. Belllogín，“比较推荐系统评估：基准推荐框架”，第 129-136 页。