recall@k 应手动实现：对每个用户，用真实物品集与模型top-k推荐列表求交集大小除以真实正样本数；sklearn的recall_score因不考虑排序而错误。
Recall@K 在 Python 中怎么算才对？
Recall@K 衡量的是：用户真实喜欢的物品中，有多少落在了模型推荐的前 K 个结果里。关键不是“推荐对了多少”，而是“漏掉了多少真实正样本”。
常见错误是直接用 sklearn.metrics.recall_score —— 它默认按二分类标签计算，不考虑排序和截断，结果完全不对。
正确做法是手动实现：
- 对每个用户，拿到其真实交互物品集合（如测试集中的
user_items） - 拿到模型输出的 top-K 推荐列表（
topk_items，按预测分数降序） - 计算交集大小除以该用户真实正样本总数
def recall_at_k(y_true_set, y_pred_topk):
if len(y_true_set) == 0:
return 0.0
hits = len(set(y_pred_topk) & y_true_set)
return hits / len(y_true_set)
<h1>示例：用户真实有 {1,3,5,7}，推荐 [3,8,1,9,2]（K=5）</h1><p>recall_at_k({1,3,5,7}, [3,8,1,9,2]) # 返回 2/4 = 0.5</p>
注意：如果用户在测试集中没任何正样本（冷启动用户），跳过或返回 0，别让分母为 0。
NDCG@K 必须带 ranking score 才有意义
NDCG@K 不只看“是否命中”，还惩罚位置靠后的相关项。ndcg_score（来自 sklearn.metrics）要求你提供每个候选 item 的“相关性得分”，不能只给 0/1 标签。
典型误区：把 top-K 推荐列表直接喂给 ndcg_score(y_true=[1,0,0,1,0], y_score=[0.9,0.8,0.7,0.6,0.5]) —— 这里 y_true 必须是对所有候选 item 的相关性标注（比如测试集全量 item），而不仅是 top-K。
更实用的做法是自己实现，只处理 top-K：
- 构建长度为 K 的
relevance列表：命中真实 item 就标 1，否则 0 - 计算 DCG：sum( rel[i] / log2(i+2) )，i 从 0 开始
- 计算 IDCG：把
relevance排序成降序再算一次 DCG - NDCG = DCG / (IDCG or 1e-8)
import numpy as np
def ndcg_at_k(relevance_list, k):
dcg = sum((2 ** r - 1) / np.log2(i + 2) for i, r in enumerate(relevance_list[:k]))
idcg = sum((2 ** r - 1) / np.log2(i + 2) for i, r in enumerate(sorted(relevance_list, reverse=True)[:k]))
return dcg / (idcg or 1e-8)
用 1/0 相关性时，(2 ** r - 1) 等价于 r，可简化；但若后续支持多级相关性（如 0/1/2/3），这个形式能直接复用。
LightFM、Implicit、Surprise 这些库怎么取 top-K？
不同训练框架输出格式差异大，容易卡在“怎么拿到推荐列表”这步：
-
LightFM：用model.predict(user_id, item_ids, user_features=..., item_features=...)手动打分，再np.argsort(...)[::-1][:K] -
Implicit：调model.recommend(userid, user_items, N=K)，注意user_items是 CSR 矩阵中该用户的行（即训练时交互过的 items），否则推荐结果含训练数据 -
Surprise：没有内置 top-K 接口，得遍历所有 item 调algo.predict(uid, iid).est，再排序——线上不可行，仅用于离线评估
统一建议：
- 测试时，对每个用户，只在未训练过的 item 上预测（即 train-test split 后的 test set candidate）
- 避免用
model.get_all_ratings()类接口（不存在），别幻想一键导出全量排序
为什么 batch 评估时 Recall 和 NDCG 结果忽高忽低？
这不是随机性问题，大概率是以下三个原因：
- 用户级指标未加权平均：有的用户有 100 个测试正样本，有的只有 1 个，直接对所有用户
recall_at_k取算术平均，会偏向小样本用户。应按真实正样本数加权 - NDCG 分母 IDCG 为 0：当用户真实正样本数 relevance_list 全为 0（即一个都没命中），IDCG=0，NDCG 未定义。需显式跳过或设为 0
- 推荐列表去重没做：模型可能对同一 item 输出多个近似分数，
argsort后取 top-K 包含重复 item ID，导致分母虚高。务必在取索引后用np.unique(..., return_index=True)或 Pythondict.fromkeys()去重
最常被忽略的一点：评估必须严格隔离训练/测试 item。哪怕只混入一个训练 item 到测试推荐池，Recall 就会虚高 5%~20%，尤其在稀疏数据上。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
