tongchenkeji 发表于：2023-4-3 16:17:420次点击 已关注取消关注 关注 私信 想问下用户多个embedding时，hit_rate怎么算呢？[阿里云机器学习PAI] 暂停朗读为您朗读 想问下用户多个embedding时，hit_rate怎么算呢？ 「点点赞赏，手留余香」 赞赏 还没有人赞赏，快来当第一个赞赏的人吧！ 海报 机器学习PAI# 人工智能平台 PAI1410
wljslmzAM 2023-11-28 2:49:08 1 当用户有多个embedding时，可以通过将这些embedding进行拼接（Concatenate）的方式来得到用户的综合embedding。对于这种情况，可以使用以下方法来计算hit rate： 1、对于每个用户，将所有的embedding进行拼接，得到用户的综合embedding。 2、对于每个用户，将其综合embedding与所有的item embedding进行相似度计算，得到一个分数列表。 3、将分数列表按照从大到小排序，取前K个分数对应的item作为推荐结果。 4、如果推荐结果中包含用户真实交互过的item，则认为推荐命中，否则认为推荐未命中。 5、统计所有用户的命中次数和总次数，计算hit rate。
LittlePenguinAM 2023-11-28 2:49:08 2 当用户有多个embedding时，hit_rate（命中率）可以通过以下计算方式来计算： 1、对于每个用户，先将多个embedding求和或求平均得到一个表示用户的embedding。 2、对于每个测试项，计算其与每个用户embedding的相似度，选择最高的相似度来判断这个测试项是否与用户匹配。 3、计算所有测试项中被正确匹配的数量，除以测试项总数即可得到命中率。 例如，假设有10个用户，每个用户有3个不同的embedding表示，总共有30个embedding表示。对于每个用户，可以将3个embedding求平均得到一个表示这个用户的embedding。对于每个测试项，可以计算其与每个用户embedding的相似度，选择最高的相似度来判断这个测试项是否与用户匹配。最后计算所有测试项中被正确匹配的数量，除以测试项总数即可得到命中率。 需要注意的是，相似度的计算方式可以根据具体情况选择，例如可以使用余弦相似度、欧几里得距离等。此外，如果有多个测试项与多个用户匹配，可以使用其他指标如F1-score、准确率等来评估模型的性能。
当用户有多个embedding时，可以通过将这些embedding进行拼接（Concatenate）的方式来得到用户的综合embedding。对于这种情况，可以使用以下方法来计算hit rate：
1、对于每个用户，将所有的embedding进行拼接，得到用户的综合embedding。
2、对于每个用户，将其综合embedding与所有的item embedding进行相似度计算，得到一个分数列表。
3、将分数列表按照从大到小排序，取前K个分数对应的item作为推荐结果。
4、如果推荐结果中包含用户真实交互过的item，则认为推荐命中，否则认为推荐未命中。
5、统计所有用户的命中次数和总次数，计算hit rate。
当用户有多个embedding时，hit_rate（命中率）可以通过以下计算方式来计算：
1、对于每个用户，先将多个embedding求和或求平均得到一个表示用户的embedding。
2、对于每个测试项，计算其与每个用户embedding的相似度，选择最高的相似度来判断这个测试项是否与用户匹配。
3、计算所有测试项中被正确匹配的数量，除以测试项总数即可得到命中率。 例如，假设有10个用户，每个用户有3个不同的embedding表示，总共有30个embedding表示。对于每个用户，可以将3个embedding求平均得到一个表示这个用户的embedding。对于每个测试项，可以计算其与每个用户embedding的相似度，选择最高的相似度来判断这个测试项是否与用户匹配。最后计算所有测试项中被正确匹配的数量，除以测试项总数即可得到命中率。
需要注意的是，相似度的计算方式可以根据具体情况选择，例如可以使用余弦相似度、欧几里得距离等。此外，如果有多个测试项与多个用户匹配，可以使用其他指标如F1-score、准确率等来评估模型的性能。